Τεχνητή νοημοσύνη AI. Πότε θα δημιουργηθεί η πρώτη τεχνητή νοημοσύνη; AI στην κατασκευή

Από την εφεύρεση των υπολογιστών, η ικανότητά τους να εκτελούν διάφορες εργασίες συνέχισε να αυξάνεται εκθετικά. Οι άνθρωποι αναπτύσσουν τη δύναμη των συστημάτων υπολογιστών αυξάνοντας τις εργασίες και μειώνοντας το μέγεθος των υπολογιστών. Ο κύριος στόχος των ερευνητών στον τομέα της τεχνητής νοημοσύνης είναι να δημιουργήσουν υπολογιστές ή μηχανές τόσο ευφυείς όσο οι άνθρωποι.

Ο εμπνευστής του όρου «τεχνητή νοημοσύνη» είναι ο John McCarthy, εφευρέτης της γλώσσας Lisp, ιδρυτής του λειτουργικού προγραμματισμού και νικητής του βραβείου Turing για την τεράστια συνεισφορά του στον τομέα της έρευνας τεχνητής νοημοσύνης.

Τεχνητή νοημοσύνηείναι ένας τρόπος να φτιάξεις έναν υπολογιστή, ένα ρομπότ ή ένα πρόγραμμα που ελέγχεται από υπολογιστή ικανό να σκέφτεται έξυπνα σαν άνθρωπος.

Η έρευνα στον τομέα της τεχνητής νοημοσύνης πραγματοποιείται με τη μελέτη των ανθρώπινων νοητικών ικανοτήτων και στη συνέχεια τα αποτελέσματα αυτής της έρευνας χρησιμοποιούνται ως βάση για την ανάπτυξη έξυπνων προγραμμάτων και συστημάτων.

AI Φιλοσοφία

Κατά τη λειτουργία ισχυρών συστημάτων υπολογιστών, όλοι έθεταν το ερώτημα: «Μπορεί μια μηχανή να σκέφτεται και να συμπεριφέρεται με τον ίδιο τρόπο όπως ένας άνθρωπος;» "

Έτσι, η ανάπτυξη του AI ξεκίνησε με την πρόθεση να δημιουργηθεί παρόμοια νοημοσύνη σε μηχανές, παρόμοια με την ανθρώπινη νοημοσύνη.

Κύριοι στόχοι της AI

• Δημιουργία έμπειρων συστημάτων - συστήματα που επιδεικνύουν έξυπνη συμπεριφορά: μαθαίνουν, δείχνουν, εξηγούν και δίνουν συμβουλές.
• Η εφαρμογή της ανθρώπινης νοημοσύνης στις μηχανές είναι η δημιουργία μιας μηχανής ικανής να κατανοεί, να σκέφτεται, να διδάσκει και να συμπεριφέρεται σαν άτομο.

Τι οδηγεί στην ανάπτυξη της τεχνητής νοημοσύνης;

Η τεχνητή νοημοσύνη είναι μια επιστήμη και τεχνολογία που βασίζεται σε κλάδους όπως η επιστήμη των υπολογιστών, η βιολογία, η ψυχολογία, η γλωσσολογία, τα μαθηματικά και η μηχανολογία. Ένας από τους κύριους τομείς της τεχνητής νοημοσύνης είναι η ανάπτυξη λειτουργιών του υπολογιστή που σχετίζονται με την ανθρώπινη νοημοσύνη, όπως ο συλλογισμός, η μάθηση και η επίλυση προβλημάτων.

Πρόγραμμα με και χωρίς AI

Τα προγράμματα με και χωρίς AI διαφέρουν στις ακόλουθες ιδιότητες:

Εφαρμογές AI

Η τεχνητή νοημοσύνη έχει γίνει κυρίαρχη σε διάφορους τομείς όπως:

Παιχνίδια - Η τεχνητή νοημοσύνη παίζει κρίσιμο ρόλο σε παιχνίδια στρατηγικής όπως το σκάκι, το πόκερ, το τικ-τακ, κ.λπ., όπου ο υπολογιστής είναι σε θέση να υπολογίζει ένας μεγάλος αριθμός απόκάθε είδους αποφάσεις που βασίζονται στην ευρετική γνώση.

Η επεξεργασία φυσικής γλώσσας είναι η ικανότητα επικοινωνίας με έναν υπολογιστή που κατανοεί τη φυσική γλώσσα που ομιλείται από τους ανθρώπους.

Αναγνώριση ομιλίας - ορισμένα έξυπνα συστήματα είναι σε θέση να ακούσουν και να κατανοήσουν τη γλώσσα στην οποία ένα άτομο επικοινωνεί μαζί τους. Μπορούν να χειριστούν διαφορετικές προφορές, αργκό κ.λπ.

Αναγνώριση χειρογράφου - το λογισμικό διαβάζει κείμενο γραμμένο σε χαρτί με στυλό ή στην οθόνη με γραφίδα. Μπορεί να αναγνωρίσει σχήματα γραμμάτων και να τα μετατρέψει σε επεξεργάσιμο κείμενο.

Τα έξυπνα ρομπότ είναι ρομπότ ικανά να εκτελούν εργασίες που ανατίθενται από ανθρώπους. Διαθέτουν αισθητήρες για την ανίχνευση φυσικών δεδομένων από τον πραγματικό κόσμο, όπως φως, θερμότητα, κίνηση, ήχος, σοκ και πίεση. Διαθέτουν επεξεργαστές υψηλής απόδοσης, πολλαπλούς αισθητήρες και τεράστια μνήμη. Επιπλέον, είναι σε θέση να μάθουν από τα δικά τους λάθη και να προσαρμοστούν σε ένα νέο περιβάλλον.

Ιστορία ανάπτυξης AI

Ακολουθεί η ιστορία της ανάπτυξης της τεχνητής νοημοσύνης κατά τον 20ο αιώνα

	Ο Karel Capek σκηνοθετεί μια παράσταση στο Λονδίνο με τίτλο «Universal Robots», η οποία ήταν η πρώτη χρήση της λέξης «ρομπότ» στα αγγλικά.
	Ο Ισαάκ Ασίμοφ, απόφοιτος του Πανεπιστημίου Κολούμπια, επινόησε τον όρο ρομποτική.
	Ο Alan Turing αναπτύσσει το τεστ Turing για να αξιολογήσει τη νοημοσύνη. Ο Claude Shannon δημοσιεύει μια λεπτομερή ανάλυση του πνευματικού παιχνιδιού του σκακιού.
	Ο John McCarthy επινοεί τον όρο τεχνητή νοημοσύνη. Επίδειξη της πρώτης έναρξης ενός προγράμματος AI στο Πανεπιστήμιο Carnegie Mellon.
	Ο John McCarthy εφευρίσκει τη γλώσσα προγραμματισμού lisp για AI.
	Η διατριβή του Danny Bobrow στο MIT δείχνει ότι οι υπολογιστές μπορούν να καταλάβουν τη φυσική γλώσσα αρκετά καλά.
	Ο Joseph Weizenbaum στο MIT αναπτύσσει την Eliza, μια διαδραστική βοηθό που διεξάγει διάλογο στα αγγλικά.
	Επιστήμονες στο Ινστιτούτο Ερευνών του Στάνφορντ ανέπτυξαν το Sheki, ένα μηχανοκίνητο ρομπότ ικανό να ανιχνεύει και να λύνει ορισμένα προβλήματα.
	Μια ομάδα ερευνητών στο Πανεπιστήμιο του Εδιμβούργου κατασκεύασε τον Freddy, το διάσημο σκωτσέζικο ρομπότ που μπορεί να χρησιμοποιεί την όραση για να βρει και να συναρμολογήσει μοντέλα.
	Κατασκευάστηκε το πρώτο αυτόνομο αυτοκίνητο ελεγχόμενο από υπολογιστή, το Stanford Trolley.
	Ο Χάρολντ Κοέν σχεδίασε και παρουσίασε τη συλλογή του προγράμματος, Aaron.
	Ένα πρόγραμμα σκακιού που κερδίζει τον παγκόσμιο πρωταθλητή σκακιού Garry Kasparov.
	Διαδραστικά ρομποτικά κατοικίδια θα είναι διαθέσιμα στο εμπόριο. Το MIT εμφανίζει το Kismet, ένα ρομπότ με πρόσωπο που εκφράζει συναισθήματα. Το Robot Nomad εξερευνά απομακρυσμένες περιοχές της Ανταρκτικής και βρίσκει μετεωρίτες.

«Είμαστε στο κατώφλι των μεγαλύτερων αλλαγών συγκρίσιμων με την ανθρώπινη εξέλιξη» - συγγραφέας επιστημονικής φαντασίας Vernor Stefan Vinge

Πώς θα σας φαινόταν αν ήξερες ότι βρισκόσασταν στα πρόθυρα μιας τεράστιας αλλαγής όπως το ανθρωπάκι στο παρακάτω γράφημα;

Ο κάθετος άξονας είναι η ανάπτυξη της ανθρωπότητας, ο οριζόντιος είναι ο χρόνος

Συναρπαστικό, έτσι δεν είναι;

Ωστόσο, αν αποκρύψετε μέρος του γραφήματος, τότε όλα φαίνονται πολύ πιο πεζά.

Το μακρινό μέλλον είναι προ των πυλών

Φανταστείτε ότι βρίσκεστε το 1750. Εκείνες τις μέρες, οι άνθρωποι δεν είχαν ακούσει ακόμη για ηλεκτρισμό, η επικοινωνία από απόσταση γινόταν με τη βοήθεια πυρσών και το μόνο μέσο μεταφοράς έπρεπε να ταΐζεται με σανό πριν από το ταξίδι. Και έτσι αποφασίζεις να πάρεις το «άτομο από το παρελθόν» μαζί σου και να του δείξεις τη ζωή το 2016. Είναι αδύνατο να φανταστεί κανείς τι θα ένιωθε αν βρισκόταν σε φαρδιούς, επίπεδους δρόμους στους οποίους έτρεχαν αυτοκίνητα. Ο καλεσμένος σας θα εκπλαγεί απίστευτα σύγχρονους ανθρώπουςμπορούν να επικοινωνήσουν ακόμα κι αν βρίσκονται σε διαφορετικές πλευρές Σφαίρα, παρακολουθήστε αθλητικές εκδηλώσεις σε άλλες χώρες, παρακολουθήστε συναυλίες πριν από 50 χρόνια και αποθηκεύστε οποιαδήποτε στιγμή σε φωτογραφίες ή βίντεο. Και αν πείτε σε αυτόν τον άνθρωπο από το 1750 για το Διαδίκτυο, τη Διεθνή διαστημικός σταθμός, τον Μεγάλο Επιταχυντή Αδρονίων και τη Θεωρία της Σχετικότητας, η άποψή του για τον κόσμο σίγουρα θα είχε καταρρεύσει. Θα μπορούσε ακόμη και να πεθάνει από υπερβολική αφθονία εντυπώσεων.

Αλλά αυτό είναι το ενδιαφέρον: αν ο καλεσμένος σας επέστρεψε στον «εγγενή» αιώνα του και αποφάσισε να πραγματοποιήσει ένα παρόμοιο πείραμα, πηγαίνοντας ένα άτομο από το 1500 για μια βόλτα με μια χρονομηχανή, τότε αν και ένας επισκέπτης από το παρελθόν μπορεί επίσης να εκπλαγεί από πολλούς πράγματα, η εμπειρία του δεν θα ήταν τόσο εντυπωσιακή — η διαφορά μεταξύ 1500 και 1750 δεν είναι τόσο αισθητή όσο μεταξύ 1750 και 2016.

Αν κάποιος από τον 18ο αιώνα θέλει να εντυπωσιάσει έναν επισκέπτη από το παρελθόν, τότε θα πρέπει να καλέσει κάποιον που έζησε το 12.000 π.Χ., πριν από τη Μεγάλη Αγροτική Επανάσταση. Πραγματικά θα μπορούσε να είχε «ξεκαρφωθεί» από την ανάπτυξη της τεχνολογίας. Βλέποντας τα ψηλά καμπαναριά των εκκλησιών, τα καράβια να οργώνουν τους ωκεανούς, τις πόλεις με χιλιάδες κατοίκους, λιποθυμούσε από τα φουντωμένα συναισθήματα.

Ο ρυθμός ανάπτυξης της τεχνολογίας και της κοινωνίας αυξάνεται συνεχώς. Ο διάσημος Αμερικανός εφευρέτης και μελλοντολόγος Raymond Kurzweil αποκαλεί αυτόν τον όρο «Ο νόμος της επιτάχυνσης της ιστορίας». Αυτό συμβαίνει επειδή η εισαγωγή νέων τεχνολογιών επιτρέπει στην κοινωνία να αναπτυχθεί με ολοένα και ταχύτερους ρυθμούς. Για παράδειγμα, οι άνθρωποι που έζησαν τον 19ο αιώνα είχαν πιο προηγμένη τεχνολογία από εκείνους του 15ου. Επομένως, δεν αποτελεί έκπληξη το γεγονός ότι ο 19ος αιώνας έφερε περισσότερα επιτεύγματα στην ανθρωπότητα από τον 15ο.

Αλλά αν η τεχνολογία αναπτύσσεται όλο και πιο γρήγορα, θα πρέπει να περιμένουμε πολλές μεγαλύτερες εφευρέσεις στο μέλλον, σωστά; Αν ο Kurzweil και οι ομοϊδεάτες του έχουν δίκιο, τότε το 2030 θα βιώσουμε τα ίδια συναισθήματα με ένα άτομο που ήρθε από το 1750 στο δικό μας. Και μέχρι το 2050, ο κόσμος θα έχει αλλάξει τόσο πολύ που δύσκολα θα μπορούμε να διακρίνουμε τα χαρακτηριστικά των προηγούμενων δεκαετιών.

Όλα τα παραπάνω δεν είναι επιστημονική φαντασία - είναι επιστημονικά επιβεβαιωμένα και αρκετά λογικά. Ωστόσο, πολλοί εξακολουθούν να είναι δύσπιστοι σχετικά με τέτοιους ισχυρισμούς. Αυτό συμβαίνει για διάφορους λόγους:

1. Πολλοί άνθρωποι πιστεύουν ότι η ανάπτυξη της κοινωνίας συμβαίνει ομοιόμορφα και άμεσα. Όταν σκεφτόμαστε πώς θα είναι ο κόσμος σε 30 χρόνια, θυμόμαστε τι συνέβη τα τελευταία 30 χρόνια. Σε αυτό το σημείο, κάνουμε το ίδιο λάθος με το άτομο από το παραπάνω παράδειγμα, που έζησε το 1750 και κάλεσε έναν επισκέπτη από το 1500. Για να φανταστείτε σωστά την πρόοδο που ακολουθεί, πρέπει να φανταστείτε ότι η ανάπτυξη συμβαίνει με πολύ ταχύτερο ρυθμό από ό,τι στο μακρινό παρελθόν.

2. Αντιλαμβανόμαστε λάθος την τροχιά ανάπτυξης. σύγχρονη κοινωνία. Για παράδειγμα, αν κοιτάξουμε ένα μικρό τμήμα μιας εκθετικής καμπύλης, μπορεί να μας φαίνεται ότι είναι μια ευθεία γραμμή (ακριβώς σαν να κοιτούσαμε μέρος ενός κύκλου). Ωστόσο, η εκθετική ανάπτυξη δεν είναι ομαλή και ομαλή. Ο Kurzweil εξηγεί ότι η πρόοδος ακολουθεί μια καμπύλη σχήματος s, όπως φαίνεται στο παρακάτω γράφημα:

Κάθε «γύρος» ανάπτυξης ξεκινά με ένα ξαφνικό άλμα, το οποίο στη συνέχεια αντικαθίσταται από σταθερή και σταδιακή ανάπτυξη.

Έτσι, κάθε νέος «γύρος» ανάπτυξης χωρίζεται σε διάφορα στάδια:

1. Αργή ανάπτυξη (αρχική φάση ανάπτυξης).
2. Ταχεία ανάπτυξη (η δεύτερη, «εκρηκτική» φράση ανάπτυξης).
3. «Εισπέδωση», όταν μια νέα τεχνολογία φέρεται στην τελειότητα.

Αν κοιτάξουμε τα πρόσφατα γεγονότα, μπορεί να καταλήξουμε στο συμπέρασμα ότι δεν γνωρίζουμε πλήρως πόσο γρήγορα προχωρά η τεχνολογία. Για παράδειγμα, μεταξύ 1995 και 2007 θα μπορούσαμε να δούμε την εμφάνιση του Διαδικτύου, της Microsoft, της Google και του Facebook, κοινωνικά δίκτυα, κινητά τηλέφωνα και μετά smartphone. Όμως η περίοδος μεταξύ 2008 και 2016 δεν ήταν τόσο πλούσια σε ανακαλύψεις, τουλάχιστον στον τομέα της υψηλής τεχνολογίας. Έτσι, βρισκόμαστε τώρα στο στάδιο 3 της γραμμής ανάπτυξης σε σχήμα s.

3. Πολλοί άνθρωποι είναι όμηροι των δικών τους εμπειριών ζωής, που διαστρεβλώνουν την άποψή τους για το μέλλον. Όταν ακούμε οποιαδήποτε πρόβλεψη για το μέλλον που έρχεται σε αντίθεση με την άποψή μας με βάση την προηγούμενη εμπειρία, θεωρούμε ότι αυτή η κρίση είναι αφελής. Για παράδειγμα, αν σας πουν σήμερα ότι στο μέλλον οι άνθρωποι θα ζήσουν 150-250 χρόνια ή , τότε πιθανότατα θα απαντήσετε: «Αυτό είναι ανόητο, γιατί είναι γνωστό ότι όλοι είναι θνητοί». Πράγματι, όλοι οι άνθρωποι που έζησαν ποτέ στο παρελθόν έχουν πεθάνει και συνεχίζουν να πεθαίνουν σήμερα. Αξίζει όμως να σημειωθεί ότι κανείς δεν πέταξε αεροπλάνα μέχρι να εφευρεθούν τελικά.

Στην πραγματικότητα, πολλά θα αλλάξουν τις επόμενες δεκαετίες, και οι αλλαγές θα είναι τόσο σημαντικές που είναι δύσκολο να το φανταστεί κανείς τώρα. Αφού διαβάσετε αυτό το άρθρο μέχρι το τέλος, μπορείτε να μάθετε περισσότερα για το τι συμβαίνει τώρα στον κόσμο της επιστήμης και της υψηλής τεχνολογίας.

Τι είναι η τεχνητή νοημοσύνη (AI);

1. Συσχετίζουμε την τεχνητή νοημοσύνη με ταινίες όπως " Πόλεμος των άστρων», «Terminator» και ούτω καθεξής. Από αυτή την άποψη, το αντιμετωπίζουμε ως μυθοπλασία.

2. Το AI είναι όμορφο ευρεία έννοια. Ισχύει τόσο για αριθμομηχανές τσέπης όσο και για αυτοοδηγούμενα αυτοκίνητα. Μια τέτοια ποικιλομορφία προκαλεί σύγχυση.

3. Χρησιμοποιούμε τεχνητή νοημοσύνη σε Καθημερινή ζωή, αλλά δεν το καταλαβαίνουμε. Αντιλαμβανόμαστε την τεχνητή νοημοσύνη ως κάτι μυθικό από τον κόσμο του μέλλοντος, επομένως είναι δύσκολο για εμάς να συνειδητοποιήσουμε ότι είναι ήδη γύρω μας.

Από αυτή την άποψη, είναι απαραίτητο να κατανοήσουμε αρκετά πράγματα μια για πάντα. Πρώτον, η τεχνητή νοημοσύνη δεν είναι ρομπότ. Ένα ρομπότ είναι ένα είδος κελύφους τεχνητής νοημοσύνης που μερικές φορές έχει το περίγραμμα ενός ανθρώπινου σώματος. Ωστόσο, η τεχνητή νοημοσύνη είναι ένας υπολογιστής μέσα σε ένα ρομπότ. Μπορεί να συγκριθεί με τον εγκέφαλο μέσα στο ανθρώπινο σώμα. Για παράδειγμα, η γυναικεία φωνή που ακούμε είναι απλώς μια προσωποποίηση.

Δεύτερον, πιθανότατα έχετε ήδη συναντήσει την έννοια της «ιδιαιτερότητας» ή της «τεχνολογικής μοναδικότητας». Αυτός ο όρος χρησιμοποιήθηκε για να περιγράψει μια κατάσταση στην οποία δεν ισχύουν οι συνήθεις νόμοι και κανόνες. Αυτή η έννοια χρησιμοποιείται στη φυσική για να περιγράψει τις μαύρες τρύπες ή τη στιγμή συμπίεσης του Σύμπαντος πριν από τη Μεγάλη Έκρηξη. Το 1993, ο Vernor Vinge δημοσίευσε το διάσημο δοκίμιό του στο οποίο χρησιμοποίησε τη μοναδικότητα για να εντοπίσει ένα σημείο στο μέλλον όπου η τεχνητή νοημοσύνη θα ξεπερνούσε τη δική μας. Κατά τη γνώμη του, όταν έρθει αυτή η στιγμή, ο κόσμος με όλους τους κανόνες και τους νόμους του θα πάψει να υπάρχει όπως πριν.

Τέλος, υπάρχουν διάφοροι τύποι τεχνητής νοημοσύνης, μεταξύ των οποίων διακρίνονται τρεις κύριες κατηγορίες:

1. Περιορισμένη Τεχνητή Νοημοσύνη (ANI, Artificial Narrow Intelligence). Είναι μια τεχνητή νοημοσύνη που ειδικεύεται σε έναν συγκεκριμένο τομέα. Για παράδειγμα, μπορεί να κερδίσει τον παγκόσμιο πρωταθλητή σκακιού σε μια παρτίδα σκακιού, αλλά αυτό είναι το μόνο που μπορεί να κάνει.

2. General Artificial Intelligence (AGI, Artificial General Intelligence). Αυτή η τεχνητή νοημοσύνη είναι ένας υπολογιστής του οποίου η νοημοσύνη μοιάζει με αυτή ενός ανθρώπου, δηλαδή μπορεί να εκτελέσει όλες τις ίδιες εργασίες με έναν άνθρωπο. Η καθηγήτρια Linda Gottfredson περιγράφει αυτό το φαινόμενο ως εξής: «Η γενική τεχνητή νοημοσύνη ενσαρκώνει τις γενικευμένες ικανότητες σκέψης, οι οποίες περιλαμβάνουν επίσης την ικανότητα λογικής, προγραμματισμού, επίλυσης προβλημάτων, αφηρημένης σκέψης, σύγκρισης σύνθετων ιδεών, μάθησης γρήγορα και χρήσης συσσωρευμένης εμπειρίας».

3. Artificial Superintelligence (ASI, Artificial Superintelligence). Ο Σουηδός φιλόσοφος και καθηγητής του Πανεπιστημίου της Οξφόρδης Nick Bostrom ορίζει την υπερευφυΐα ως «μια νοημοσύνη που είναι ανώτερη από αυτή των ανθρώπων σχεδόν σε όλους τους τομείς, συμπεριλαμβανομένων των επιστημονικών εφευρέσεων, των γενικών γνώσεων και των κοινωνικών δεξιοτήτων».

Επί του παρόντος, η ανθρωπότητα χρησιμοποιεί ήδη με επιτυχία περιορισμένη τεχνητή νοημοσύνη. Βρισκόμαστε στο δρόμο για να κατακτήσουμε το AGI. Στις επόμενες ενότητες του άρθρου θα συζητηθεί κάθε μία από αυτές τις κατηγορίες λεπτομερώς.

Ένας κόσμος που κυβερνάται από περιορισμένη τεχνητή νοημοσύνη

Η περιορισμένη τεχνητή νοημοσύνη είναι η νοημοσύνη μηχανής που είναι ίση ή ανώτερη από την ανθρώπινη νοημοσύνη στην επίλυση στενών προβλημάτων. Παρακάτω είναι μερικά παραδείγματα:

• ένα αυτοοδηγούμενο αυτοκίνητο από την Google που αναγνωρίζει και αντιδρά σε διάφορα εμπόδια στο πέρασμά του.
• είναι "παράδεισος" διάφορες μορφέςπεριορισμένη τεχνητή νοημοσύνη. Όταν μετακινείστε στην πόλη χρησιμοποιώντας συμβουλές πλοήγησης, λάβετε προτάσεις μουσικής από την Pandora, ελέγξτε την πρόγνωση του καιρού, μιλήστε με τη Siri, χρησιμοποιείτε το ANI.
• φίλτρα ανεπιθύμητης αλληλογραφίας στο email σας - πρώτα μαθαίνουν να αναγνωρίζουν ανεπιθύμητα μηνύματα και, στη συνέχεια, αναλύοντας την προηγούμενη εμπειρία τους και τις προτιμήσεις σας, μετακινούν γράμματα σε έναν ειδικό φάκελο.
• ο μεταφραστής Google Translate είναι ένα κλασικό παράδειγμα περιορισμένης τεχνητής νοημοσύνης που αντιμετωπίζει αρκετά καλά τη στενή του εργασία.
• τη στιγμή που το αεροπλάνο προσγειώνεται, ένα ειδικό σύστημα βασισμένο σε AI καθορίζει από ποια πύλη θα πρέπει να βγαίνουν οι επιβάτες.

Τα περιορισμένα συστήματα τεχνητής νοημοσύνης δεν αποτελούν απειλή για τον άνθρωπο. Στη χειρότερη περίπτωση, μια αποτυχία σε ένα τέτοιο σύστημα θα μπορούσε να προκαλέσει μια τοπική καταστροφή, όπως ένα κύμα ρεύματος ή μια μικρή κατάρρευση της χρηματοπιστωτικής αγοράς.

Κάθε νέα εφεύρεση στον τομέα της περιορισμένης τεχνητής νοημοσύνης μας φέρνει ένα βήμα πιο κοντά στη δημιουργία γενικής τεχνητής νοημοσύνης.

Γιατί είναι τόσο δύσκολο αυτό;

Αν προσπαθούσατε να δημιουργήσετε έναν υπολογιστή με την ίδια ευφυΐα με έναν άνθρωπο, θα αρχίζατε να εκτιμάτε πραγματικά την ικανότητά σας να σκέφτεστε. Σχεδιάζοντας ουρανοξύστες, εκτόξευση πυραύλων στο διάστημα, μελέτη της θεωρίας της Μεγάλης Έκρηξης - όλα αυτά είναι πολύ πιο εύκολο να επιτευχθούν από τη μελέτη του ανθρώπινου εγκεφάλου. Αυτή τη στιγμή, το μυαλό μας είναι το πιο περίπλοκο αντικείμενο στο παρατηρήσιμο Σύμπαν.

Το πιο ενδιαφέρον είναι ότι οι δυσκολίες στη δημιουργία γενικής τεχνητής νοημοσύνης προκύπτουν στα πιο φαινομενικά απλά πράγματα. Για παράδειγμα, η δημιουργία μιας συσκευής που θα μπορούσε να πολλαπλασιάζει δεκαψήφιους αριθμούς σε κλάσματα δευτερολέπτου δεν είναι δύσκολη. Ταυτόχρονα, είναι απίστευτα δύσκολο να γράψεις ένα πρόγραμμα που θα μπορούσε να αναγνωρίσει ποιος βρίσκεται μπροστά από την οθόνη: μια γάτα ή έναν σκύλο. Δημιουργήστε έναν υπολογιστή που μπορεί να νικήσει έναν άνθρωπο στο σκάκι; Εύκολα! Κάντε ένα μηχάνημα να διαβάσει και να καταλάβει τι γράφεται σε ένα παιδικό βιβλίο; Η Google ξοδεύει δισεκατομμύρια δολάρια για να λύσει αυτό το πρόβλημα. Πράγματα όπως οι μαθηματικοί υπολογισμοί, η δημιουργία οικονομικών στρατηγικών, η μετάφραση από τη μια γλώσσα στην άλλη έχουν ήδη λυθεί με τη βοήθεια της τεχνητής νοημοσύνης. Ωστόσο, η όραση, η αντίληψη, οι χειρονομίες και η κίνηση στο διάστημα εξακολουθούν να παραμένουν άλυτα προβλήματα για τους υπολογιστές.

Αυτές οι δεξιότητες φαίνονται απλές στον άνθρωπο επειδή έχουν αναπτυχθεί κατά τη διάρκεια εκατομμυρίων ετών εξέλιξης. Όταν απλώνετε το χέρι σας για να σηκώσετε ένα αντικείμενο, οι μύες, οι σύνδεσμοι και τα οστά σας εκτελούν μια σειρά επεμβάσεων που συνάδουν με αυτό που βλέπουν τα μάτια σας.

Από την άλλη, ο πολλαπλασιασμός μεγάλων αριθμών και το παιχνίδι σκάκι είναι εντελώς νέες ενέργειες για τα βιολογικά όντα. Γι' αυτό είναι πολύ εύκολο για έναν υπολογιστή να μας κερδίσει σε αυτό. Σκεφτείτε τι είδους πρόγραμμα θα θέλατε να δημιουργήσετε: ένα που θα μπορούσε να πολλαπλασιαστεί γρήγορα μεγάλα νούμεραή απλώς αναγνωρίζετε το γράμμα Β από χιλιάδες άλλα γραμμένα με διαφορετικές γραμματοσειρές;

Ένα άλλο διασκεδαστικό παράδειγμα: κοιτάζοντας την παρακάτω εικόνα, τόσο εσείς όσο και ο υπολογιστής μπορείτε να αναγνωρίσετε αναμφισβήτητα ότι αντιπροσωπεύει ένα ορθογώνιο που αποτελείται από τετράγωνα δύο διαφορετικών αποχρώσεων:

Αλλά, μόλις αφαιρέσουμε το μαύρο φόντο, θα ανοίξει μπροστά μας η πλήρης, προηγουμένως κρυμμένη εικόνα:

Δεν θα είναι δύσκολο για ένα άτομο να ονομάσει και να περιγράψει όλες τις φιγούρες που βλέπει σε αυτήν την εικόνα. Ωστόσο, ο υπολογιστής δεν θα αντιμετωπίσει αυτήν την εργασία. Και αφού αναλύσει την παρακάτω εικόνα, θα συμπεράνει ότι μπροστά του είναι ένας συνδυασμός πολλών δισδιάστατων αντικειμένων λευκού, μαύρου και γκρι χρώματα. Σε αυτή την περίπτωση, ένα άτομο μπορεί εύκολα να πει ότι η εικόνα δείχνει μια μαύρη πέτρα:

Όλα όσα αναφέρθηκαν παραπάνω αφορούσαν μόνο την αντίληψη και την επεξεργασία στατικών πληροφοριών. Για να ταιριάζει με το επίπεδο νοημοσύνης ενός ανθρώπου, ένας υπολογιστής πρέπει να μάθει να αναγνωρίζει τις εκφράσεις του προσώπου, τις χειρονομίες και ούτω καθεξής. Πώς όμως να τα πετύχεις όλα αυτά;

Το πρώτο βήμα για τη δημιουργία γενικής τεχνητής νοημοσύνης είναι η αύξηση της ισχύος του υπολογιστή

Προφανώς, αν πρόκειται να δημιουργήσουμε «έξυπνους» υπολογιστές, πρέπει να έχουν τις ίδιες ικανότητες σκέψης με τους ανθρώπους. Ένας τρόπος για να επιτευχθεί αυτό είναι να αυξήσετε τον αριθμό των λειτουργιών ανά δευτερόλεπτο. Για να γίνει αυτό, είναι απαραίτητο να υπολογίσετε πόσες λειτουργίες ανά δευτερόλεπτο εκτελεί κάθε δομή του ανθρώπινου εγκεφάλου.

Ο Ray Kurzweil έκανε κάποιους υπολογισμούς και κατάφερε να καταλήξει σε έναν αριθμό 10.000.000.000.000.000 πράξεων ανά δευτερόλεπτο. Ο ανθρώπινος εγκέφαλος έχει περίπου την ίδια παραγωγικότητα.

Επί του παρόντος, ο πιο ισχυρός υπερυπολογιστής είναι ο κινεζικός Tianhe-2, του οποίου η απόδοση είναι 34 τετράδισεκατομμύρια λειτουργίες ανά δευτερόλεπτο. Ωστόσο, το μέγεθος αυτού του υπερυπολογιστή είναι εντυπωσιακό - καλύπτει έκταση 720 τετραγωνικών μέτρων και κοστίζει 390.000.000 δολάρια.

Έτσι, αν κοιτάξετε από τεχνική πλευρά, τότε έχουμε ήδη έναν υπολογιστή συγκρίσιμο σε απόδοση με τον ανθρώπινο εγκέφαλο. Δεν είναι διαθέσιμο στον μαζικό καταναλωτή, αλλά μέσα σε δέκα χρόνια θα γίνει. Ωστόσο, η απόδοση δεν είναι το μόνο πράγμα που μπορεί να δώσει σε έναν υπολογιστή νοημοσύνη όπως ένας άνθρωπος. Το επόμενο ερώτημα είναι: πώς να κάνετε έναν ισχυρό υπολογιστή έξυπνο;

Το δεύτερο βήμα για τη δημιουργία γενικής τεχνητής νοημοσύνης είναι να προικίσετε τη μηχανή με ευφυΐα

Αυτό είναι το πιο δύσκολο μέρος της διαδικασίας, γιατί κανείς δεν ξέρει πώς να κάνει έναν υπολογιστή έξυπνο. Υπάρχει ακόμη συζήτηση σχετικά με το πώς να μπορέσει ένα μηχάνημα να ξεχωρίζει τις γάτες από τους σκύλους ή να αναγνωρίζει το γράμμα Β. Ωστόσο, υπάρχουν διάφορες στρατηγικές, μερικές από τις οποίες περιγράφονται εν συντομία παρακάτω:

1. Αντιγραφή ανθρώπινου εγκεφάλου

Επί του παρόντος, οι επιστήμονες εργάζονται στη λεγόμενη αντίστροφη μηχανική του ανθρώπινου εγκεφάλου. Σύμφωνα με αισιόδοξες προβλέψεις, το έργο αυτό θα έχει ολοκληρωθεί έως το 2030. Μόλις δημιουργηθεί το έργο, θα μπορέσουμε να μάθουμε όλα τα μυστικά του εγκεφάλου μας και να αντλήσουμε νέες ιδέες από αυτό. Ένα παράδειγμα τέτοιου συστήματος είναι ένα τεχνητό νευρωνικό δίκτυο.

Μια άλλη πιο ακραία ιδέα είναι η πλήρης μίμηση των λειτουργιών του ανθρώπινου εγκεφάλου. Κατά τη διάρκεια αυτού του πειράματος, σχεδιάζεται να κοπεί ο εγκέφαλος σε πολλά λεπτά στρώματα και να σαρωθεί το καθένα από αυτά. Στη συνέχεια, χρησιμοποιώντας ένα ειδικό πρόγραμμα, θα χρειαστεί να δημιουργήσετε ένα τρισδιάστατο μοντέλο και στη συνέχεια να το εφαρμόσετε σε έναν ισχυρό υπολογιστή. Μετά από αυτό, θα λάβουμε μια συσκευή που θα έχει επίσημα όλες τις λειτουργίες του ανθρώπινου εγκεφάλου - το μόνο που μένει είναι να συλλέγει πληροφορίες και να μαθαίνει.

Πόσο καιρό πρέπει να περιμένουμε μέχρι να μπορέσουν οι επιστήμονες να δημιουργήσουν ακριβές αντίγραφοανθρώπινος εγκέφαλος? Πολύς καιρός, γιατί μέχρι σήμερα οι ειδικοί δεν έχουν καταφέρει να αντιγράψουν ούτε ένα στρώμα 1 χιλιοστού του εγκεφάλου, που αποτελείται από 302 νευρώνες (ο εγκέφαλός μας αποτελείται από 100.000.000.000 νευρώνες).

2. Ανακεφαλαίωση της εξέλιξης του ανθρώπινου εγκεφάλου

Η δημιουργία ενός έξυπνου υπολογιστή είναι θεωρητικά δυνατή και η εξέλιξη του δικού μας εγκεφάλου είναι απόδειξη αυτού. Εάν δεν μπορούμε να δημιουργήσουμε ένα ακριβές αντίγραφο του εγκεφάλου, μπορούμε να προσπαθήσουμε να μιμηθούμε την εξέλιξή του. Στην πραγματικότητα, για παράδειγμα, είναι αδύνατο να κατασκευαστεί ένα αεροπλάνο αντιγράφοντας απλώς τα φτερά ενός πουλιού. Να δημιουργήσουμε ποιότητα αεροσκάφος, είναι καλύτερα να χρησιμοποιήσετε κάποια άλλη προσέγγιση.

Πώς μπορούμε να προσομοιώσουμε την εξελικτική διαδικασία για τη δημιουργία γενικής τεχνητής νοημοσύνης; Αυτή η μέθοδος ονομάζεται γενετικός αλγόριθμος. Η ουσία αυτής της προσέγγισης είναι ότι τα προβλήματα βελτιστοποίησης και μοντελοποίησης επιλύονται χρησιμοποιώντας μηχανισμούς παρόμοιους με τη φυσική επιλογή στη φύση. Αρκετοί υπολογιστές θα εκτελούν διαφορετικές εργασίες και αυτοί που είναι πιο αποτελεσματικοί θα «διασταυρωθούν» μεταξύ τους. Μηχανήματα που αποτυγχάνουν να ολοκληρώσουν την εργασία θα αποκλείονται. Έτσι, μετά από πολλές επαναλήψεις αυτού του πειράματος, ο αλγόριθμος ΦΥΣΙΚΗ ΕΠΙΛΟΓΗθα δημιουργήσει έναν ολοένα και καλύτερο υπολογιστή. Η δυσκολία εδώ έγκειται στην αυτοματοποίηση της διαδικασίας εξέλιξης και «διασταύρωσης», επειδή η εξελικτική διαδικασία πρέπει να συνεχιστεί από μόνη της.

Το μειονέκτημα της περιγραφόμενης μεθόδου είναι ότι στη φύση της εξέλιξης χρειάζονται εκατομμύρια χρόνια, αλλά χρειαζόμαστε αποτελέσματα μέσα σε μερικές δεκαετίες.

3. Μεταφέρετε όλες τις εργασίες στον υπολογιστή

Όταν οι επιστήμονες απελπίζονται, προσπαθούν να δημιουργήσουν ένα πρόγραμμα που δοκιμάζει τον εαυτό του. Αυτή μπορεί να είναι η πιο πολλά υποσχόμενη μέθοδος για τη δημιουργία γενικής τεχνητής νοημοσύνης.

Η ιδέα είναι να δημιουργηθεί ένας υπολογιστής του οποίου οι κύριες λειτουργίες θα είναι η έρευνα AI και οι αλλαγές κωδικοποίησης. Ένας τέτοιος υπολογιστής όχι μόνο θα μάθει ανεξάρτητα, αλλά θα αλλάξει και τη δική του αρχιτεκτονική. Οι επιστήμονες σχεδιάζουν να διδάξουν έναν υπολογιστή να είναι ερευνητής του οποίου το κύριο καθήκον θα είναι να αναπτύξει τη δική του νοημοσύνη.

Όλα αυτά θα μπορούσαν να συμβούν πολύ σύντομα

Η συνεχής βελτίωση των υπολογιστών και τα καινοτόμα πειράματα με νέο λογισμικό συμβαίνουν παράλληλα. Η τεχνητή γενική νοημοσύνη μπορεί να εμφανιστεί γρήγορα και απροσδόκητα για δύο βασικούς λόγους:

1. Ο εκθετικός ρυθμός ανάπτυξης φαίνεται πολύ αργός, αλλά μπορεί να επιταχυνθεί ανά πάσα στιγμή.

2. Όταν πρόκειται για λογισμικό, φαίνεται ότι η πρόοδος γίνεται πολύ αργά, αλλά μια και μόνο ανακάλυψη μπορεί να μας οδηγήσει σε ένα νέο επίπεδο ανάπτυξης εν ριπή οφθαλμού. Για παράδειγμα, όλοι γνωρίζουμε ότι παλαιότερα οι άνθρωποι πίστευαν ότι η Γη ήταν στο κέντρο του Σύμπαντος. Από αυτή την άποψη, προέκυψαν πολλές δυσκολίες στη μελέτη του χώρου. Ωστόσο, τότε το παγκόσμιο σύστημα άλλαξε απροσδόκητα σε ηλιοκεντρικό. Μόλις οι ιδέες άλλαξαν δραματικά, έγινε δυνατή η νέα έρευνα.

Στο μονοπάτι από την περιορισμένη τεχνητή νοημοσύνη στην Τεχνητή Υπερευφυΐα

Κάποια στιγμή στην ανάπτυξη περιορισμένης τεχνητής νοημοσύνης, οι υπολογιστές θα αρχίσουν να μας ξεπερνούν. Το γεγονός είναι ότι η τεχνητή νοημοσύνη, πανομοιότυπη με τον ανθρώπινο εγκέφαλο, θα έχει πολλά πλεονεκτήματα έναντι των ανθρώπων, μεταξύ των οποίων διακρίνονται τα ακόλουθα:

Ταχύτητα. Οι νευρώνες του εγκεφάλου μας λειτουργούν σε μέγιστη συχνότητα 200 Hz, ενώ οι σύγχρονοι μικροεπεξεργαστές λειτουργούν στα 2 GHz, ή 10 εκατομμύρια φορές πιο γρήγορα.

Διαστάσεις. Ο ανθρώπινος εγκέφαλος περιορίζεται από το μέγεθος του κρανίου και ως εκ τούτου δεν μπορεί να μεγαλώσει. Ο υπολογιστής μπορεί να είναι οποιουδήποτε μεγέθους, παρέχοντας περισσότερος χώροςγια την αποθήκευση αρχείων.

Αξιοπιστία και ανθεκτικότητα. Τα τρανζίστορ υπολογιστών λειτουργούν με μεγαλύτερη ακρίβεια από τους εγκεφαλικούς νευρώνες. Επιπλέον, μπορούν εύκολα να επισκευαστούν ή να αντικατασταθούν. Ο ανθρώπινος εγκέφαλος τείνει να κουράζεται, ενώ ο υπολογιστής μπορεί να λειτουργεί με πλήρη χωρητικότητα όλο το εικοσιτετράωρο.

Η τεχνητή νοημοσύνη, προγραμματισμένη για συνεχή αυτοβελτίωση, δεν θα περιοριστεί σε κανένα όριο. Αυτό σημαίνει ότι μόλις μια μηχανή φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης, δεν θα σταματήσει εκεί.

Φυσικά, όταν ένας υπολογιστής γίνει πιο «έξυπνος» από εμάς, θα είναι ένα σοκ για όλη την ανθρωπότητα. Στην πραγματικότητα, οι περισσότεροι από εμάς έχουμε μια παραμορφωμένη άποψη για τη νοημοσύνη που μοιάζει με αυτό:

Η διαστρεβλωμένη μας άποψη για τη νοημοσύνη.

Ο οριζόντιος άξονας είναι ο χρόνος, ο κατακόρυφος είναι η νοημοσύνη.

Τα επίπεδα νοημοσύνης πηγαίνουν από κάτω προς τα πάνω: μυρμήγκι, πουλί, χιμπατζής, ηλίθιος άνθρωπος, Αϊνστάιν. Ανάμεσα στον ηλίθιο και τον Αϊνστάιν υπάρχει ένας άντρας που λέει: «Χα χα! Αυτά τα αστεία ρομπότ λειτουργούν σαν μαϊμούδες!».

Η ανάπτυξη της τεχνητής νοημοσύνης υποδεικνύεται με κόκκινο χρώμα.

Έτσι, η καμπύλη ανάπτυξης της τεχνητής νοημοσύνης στο γράφημα τείνει να φτάσει στο ανθρώπινο επίπεδο. Παρακολουθούμε καθώς το μηχάνημα σταδιακά γίνεται πιο έξυπνο από το ζώο. Ωστόσο, από τη στιγμή που η τεχνητή νοημοσύνη φτάσει στο επίπεδο του «στενόμυαλου ανθρώπου» ή, όπως το λέει ο Νικ Μπόστρομ, του «ηλίθιου του χωριού», θα σημαίνει ότι έχει δημιουργηθεί τεχνητή γενική νοημοσύνη. Σε αυτή την περίπτωση, δεν θα είναι δύσκολο για έναν υπολογιστή να φτάσει στο επίπεδο του Αϊνστάιν. Αυτή η ταχεία εξέλιξη φαίνεται στο παρακάτω σχήμα:

Τι γίνεται όμως μετά;

Διανοητική έκρηξη

Εδώ θα ήταν χρήσιμο να υπενθυμίσουμε ότι όλα όσα γράφονται σε αυτό το άρθρο είναι μια περιγραφή πραγματικών επιστημονικών προβλέψεων που συντάσσονται από έγκριτους επιστήμονες.

Σε κάθε περίπτωση, τα περισσότερα μοντέλα περιορισμένης τεχνητής νοημοσύνης περιλαμβάνουν τη λειτουργία της αυτοβελτίωσης. Αλλά ακόμα κι αν δημιουργήσετε μια τεχνητή νοημοσύνη που αρχικά δεν παρέχει μια τέτοια λειτουργία, τότε, έχοντας φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης, ο υπολογιστής θα αποκτήσει τη δυνατότητα να μαθαίνει ανεξάρτητα κατά βούληση. Ως αποτέλεσμα αυτού, η νοημοσύνη των μηχανών θα αναπτυχθεί σταδιακά και θα γίνει μια υπερευφυΐα που θα είναι πολλές φορές ανώτερη από το ανθρώπινο μυαλό.

Αυτή τη στιγμή υπάρχει συζήτηση για το πότε η τεχνητή νοημοσύνη θα φτάσει στο επίπεδο της ανθρώπινης νοημοσύνης. Εκατοντάδες επιστήμονες συμφωνούν ότι αυτό θα συμβεί γύρω στο 2040. Όχι πολύ καιρό, σωστά;

Έτσι, θα χρειαστούν δεκαετίες για να φτάσει η τεχνητή νοημοσύνη στο επίπεδο της ανθρώπινης νοημοσύνης, αλλά τελικά θα συμβεί. Οι υπολογιστές θα μάθουν να κατανοούν τον κόσμο γύρω τους με τον ίδιο τρόπο που καταλαβαίνει ένα παιδί 4 ετών. Ξαφνικά, έχοντας αφομοιώσει αυτές τις πληροφορίες, το σύστημα θα κατακτήσει τη θεωρητική φυσική, κβαντική μηχανικήκαι τη θεωρία της σχετικότητας. Σε μιάμιση ώρα, η τεχνητή νοημοσύνη θα μετατραπεί σε τεχνητή υπερνοημοσύνη, 170 χιλιάδες φορές μεγαλύτερη από τις δυνατότητες του ανθρώπινου εγκεφάλου.

Η υπερευφυΐα είναι ένα φαινόμενο που δεν μπορούμε καν να κατανοήσουμε εν μέρει. Στο μυαλό μας, ένας έξυπνος άνθρωπος έχει δείκτη νοημοσύνης 130, και ένας ηλίθιος έχει δείκτη νοημοσύνης μικρότερο από 85. Αλλά ποια λέξη μπορεί να επιλεγεί για ένα πλάσμα με IQ 12952;

Η ευφυΐα είναι συνώνυμη με την εξουσία, γι' αυτό αυτή τη στιγμήΟ άνθρωπος βρίσκεται στο απόγειο της εξέλιξης, υποτάσσοντας όλα τα άλλα έμβια όντα. Αυτό σημαίνει ότι με την έλευση της τεχνητής υπερνοημοσύνης, θα πάψουμε να είμαστε το «στεφάνι της φύσης». Θα υποταχθούμε στο υπερμυαλό.

Αν ο περιορισμένος εγκέφαλός μας μπορούσε να δημιουργήσει Wi-Fi, φανταστείτε τι μυαλό θα μπορούσαμε να δημιουργήσουμε εκατοντάδες, χιλιάδες, ακόμη και εκατομμύρια φορές μεγαλύτερο από εμάς. Αυτή η νοημοσύνη θα μπορεί να ελέγχει τη θέση κάθε ατόμου στον πλανήτη. Όλα όσα θεωρούμε τώρα μαγεία ή τη δύναμη του Θεού θα γίνουν το καθημερινό καθήκον της υπερευφυΐας. Το Supermind θα είναι σε θέση να νικήσει τα γηρατειά, να θεραπεύσει ασθένειες, να καταστρέψει την πείνα και ακόμη και τον θάνατο. Θα μπορεί ακόμη και να επαναπρογραμματίσει τον καιρό για να προστατεύσει τη ζωή στη Γη. Αλλά η υπερευφυΐα μπορεί να καταστρέψει τη ζωή στον πλανήτη εν ριπή οφθαλμού. Στην τρέχουσα κατανόησή μας για την πραγματικότητα, ο Θεός θα εγκατασταθεί δίπλα μας στο ρόλο της υπερευφυΐας. Το μόνο ερώτημα που πρέπει να κάνουμε στον εαυτό μας είναι: θα είναι αυτός ένας καλός Θεός;

Τεχνητή Νοημοσύνη – μέσα Πρόσφαταένα από τα πιο δημοφιλή θέματα στον κόσμο της τεχνολογίας. Μυαλά όπως ο Elon Musk, ο Stephen Hawking και ο Steve Wozniak ανησυχούν σοβαρά για την έρευνα AI και υποστηρίζουν ότι η δημιουργία της μας απειλεί θανάσιμο κίνδυνο. Την ίδια στιγμή, οι ταινίες επιστημονικής φαντασίας και του Χόλιγουντ έχουν δημιουργήσει πολλές παρανοήσεις σχετικά με την τεχνητή νοημοσύνη. Αλήθεια κινδυνεύουμε και τι ανακρίβειες κάνουμε όταν φανταζόμαστε την καταστροφή του Skynet Earth, τη γενική ανεργία ή, αντίθετα, την ευημερία και την ξεγνοιασιά; Το Gizmodo έχει εξετάσει τους ανθρώπινους μύθους σχετικά με την τεχνητή νοημοσύνη. Ακολουθεί η πλήρης μετάφραση του άρθρου του.

Ονομάστηκε το πιο σημαντικό τεστ μηχανικής νοημοσύνης από τότε που ο Deep Blue νίκησε τον Garry Kasparov σε έναν αγώνα σκακιού πριν από 20 χρόνια. Το Google AlphaGo νίκησε τον grandmaster Lee Sedol στο τουρνουά Go με συντριπτικό σκορ 4:1, δείχνοντας πόσο σοβαρά έχει προχωρήσει η τεχνητή νοημοσύνη (AI). Η μοιραία μέρα που οι μηχανές θα ξεπεράσουν επιτέλους τους ανθρώπους σε νοημοσύνη δεν φαινόταν ποτέ τόσο κοντά. Αλλά φαίνεται ότι δεν είμαστε πιο κοντά στην κατανόηση των συνεπειών αυτού του γεγονότος που δημιούργησε την εποχή.

Στην πραγματικότητα, κολλάμε σε σοβαρές, ακόμη και επικίνδυνες παρανοήσεις σχετικά με την τεχνητή νοημοσύνη. Πέρυσι, ο ιδρυτής της SpaceX, Elon Musk, προειδοποίησε ότι η τεχνητή νοημοσύνη θα μπορούσε να καταλάβει τον κόσμο. Τα λόγια του προκάλεσαν θύελλα σχολίων, τόσο αντιπάλων όσο και υποστηρικτών αυτής της άποψης. Για ένα τέτοιο μελλοντικό μνημειακό γεγονός, υπάρχει μια εκπληκτική διαφωνία ως προς το αν θα συμβεί και, αν ναι, με ποια μορφή. Αυτό είναι ιδιαίτερα ανησυχητικό δεδομένων των απίστευτων οφελών που θα μπορούσε να αποκομίσει η ανθρωπότητα από την τεχνητή νοημοσύνη και τους πιθανούς κινδύνους. Σε αντίθεση με άλλες ανθρώπινες εφευρέσεις, η τεχνητή νοημοσύνη έχει τη δυνατότητα να αλλάξει την ανθρωπότητα ή να μας καταστρέψει.

Είναι δύσκολο να ξέρεις τι να πιστέψεις. Αλλά χάρη στην πρώιμη εργασία επιστημόνων υπολογιστών, νευροεπιστημόνων και θεωρητικών της τεχνητής νοημοσύνης, μια πιο ξεκάθαρη εικόνα αρχίζει να αναδύεται. Ακολουθούν ορισμένες κοινές παρανοήσεις και μύθοι σχετικά με την τεχνητή νοημοσύνη.

Μύθος #1: «Δεν θα δημιουργήσουμε ποτέ AI με νοημοσύνη συγκρίσιμη με αυτή των ανθρώπων»

Πραγματικότητα:Έχουμε ήδη υπολογιστές που έχουν ισούται ή υπερβαίνουν τις ανθρώπινες δυνατότητες στο σκάκι, στο Go, στο χρηματιστήριο και στη συνομιλία. Οι υπολογιστές και οι αλγόριθμοι που τους εκτελούν μόνο καλύτεροι μπορούν να γίνουν. Είναι θέμα χρόνου να ξεπεράσουν τους ανθρώπους σε οποιοδήποτε έργο.

Ο ερευνητικός ψυχολόγος του Πανεπιστημίου της Νέας Υόρκης, Γκάρι Μάρκους, είπε ότι «κυριολεκτικά όλοι» που εργάζονται στην τεχνητή νοημοσύνη πιστεύουν ότι οι μηχανές τελικά θα μας νικήσουν: «Η μόνη πραγματική διαφορά μεταξύ των ενθουσιωδών και των σκεπτικιστών είναι οι εκτιμήσεις του χρόνου». Μελλοντολόγοι όπως ο Ray Kurzweil πιστεύουν ότι αυτό θα μπορούσε να συμβεί μέσα σε λίγες δεκαετίες· άλλοι λένε ότι θα χρειαστούν αιώνες.

Οι σκεπτικιστές της τεχνητής νοημοσύνης δεν είναι πειστικοί όταν λένε ότι αυτό είναι ένα άλυτο τεχνολογικό πρόβλημα και ότι υπάρχει κάτι μοναδικό στη φύση του βιολογικού εγκεφάλου. Ο εγκέφαλός μας είναι βιολογικές μηχανές - υπάρχουν στον πραγματικό κόσμο και τηρούν τους βασικούς νόμους της φυσικής. Δεν υπάρχει τίποτα άγνωστο σε αυτούς.

Μύθος #2: «Η τεχνητή νοημοσύνη θα έχει συνείδηση»

Πραγματικότητα:Οι περισσότεροι φαντάζονται ότι η νοημοσύνη των μηχανών θα είναι συνειδητή και σκέφτονται όπως σκέφτονται οι άνθρωποι. Επιπλέον, κριτικοί όπως ο συνιδρυτής της Microsoft, Paul Allen, πιστεύουν ότι δεν μπορούμε ακόμη να επιτύχουμε τεχνητή γενική νοημοσύνη (ικανή να λύσει οποιοδήποτε ψυχικό πρόβλημα μπορεί να λύσει ένας άνθρωπος) επειδή δεν έχουμε μια επιστημονική θεωρία της συνείδησης. Όμως, όπως λέει ο ειδικός στη γνωστική ρομποτική του Imperial College του Λονδίνου, Murray Shanahan, δεν πρέπει να εξισώνουμε τις δύο έννοιες.

«Η συνείδηση ​​είναι σίγουρα ένα καταπληκτικό και σημαντικό πράγμα, αλλά δεν πιστεύω ότι είναι απαραίτητο για την τεχνητή νοημοσύνη σε ανθρώπινο επίπεδο. Για να είμαστε πιο ακριβείς, χρησιμοποιούμε τη λέξη «συνείδηση» για να αναφερθούμε σε διάφορα ψυχολογικά και γνωστικά χαρακτηριστικά που «έχει» ένα άτομο, εξηγεί ο επιστήμονας.

Είναι δυνατό να φανταστεί κανείς ένα έξυπνο μηχάνημα που δεν έχει ένα ή περισσότερα από αυτά τα χαρακτηριστικά. Τελικά, μπορεί να δημιουργήσουμε απίστευτα έξυπνη τεχνητή νοημοσύνη που δεν είναι σε θέση να αντιληφθεί τον κόσμο υποκειμενικά και συνειδητά. Ο Shanahan υποστηρίζει ότι το μυαλό και η συνείδηση ​​μπορούν να συνδυαστούν σε μια μηχανή, αλλά δεν πρέπει να ξεχνάμε ότι πρόκειται για δύο διαφορετικές έννοιες.

Ακριβώς επειδή ένα μηχάνημα περνά το τεστ Turing, στο οποίο δεν διακρίνεται από έναν άνθρωπο, δεν σημαίνει ότι είναι συνειδητό. Σε εμάς, η προηγμένη τεχνητή νοημοσύνη μπορεί να φαίνεται συνειδητή, αλλά δεν θα έχει περισσότερη αυτογνωσία από έναν βράχο ή μια αριθμομηχανή.

Μύθος #3: «Δεν πρέπει να φοβόμαστε την τεχνητή νοημοσύνη»

Πραγματικότητα:Τον Ιανουάριο, ο ιδρυτής του Facebook, Mark Zuckerberg, είπε ότι δεν πρέπει να φοβόμαστε την τεχνητή νοημοσύνη γιατί θα κάνει απίστευτα πολλά καλά πράγματα για τον κόσμο. Έχει μισό δίκιο. Θα ωφεληθούμε πάρα πολύ από την τεχνητή νοημοσύνη, από τα αυτοοδηγούμενα αυτοκίνητα μέχρι τη δημιουργία νέων φαρμάκων, αλλά δεν υπάρχει καμία εγγύηση ότι κάθε εφαρμογή τεχνητής νοημοσύνης θα είναι καλοπροαίρετη.

Ένα εξαιρετικά ευφυές σύστημα μπορεί να γνωρίζει τα πάντα για μια συγκεκριμένη εργασία, όπως η επίλυση ενός ενοχλητικού οικονομικού προβλήματος ή η παραβίαση του αμυντικού συστήματος ενός εχθρού. Αλλά έξω από τα όρια αυτών των ειδικοτήτων, θα είναι βαθιά άγνοια και ασυνείδητα. Το σύστημα DeepMind της Google είναι ειδικός στο Go, αλλά δεν έχει καμία ικανότητα ή λόγο να εξερευνήσει τομείς εκτός της εξειδίκευσής του.

Πολλά από αυτά τα συστήματα ενδέχεται να μην υπόκεινται σε ζητήματα ασφαλείας. Ένα καλό παράδειγμα είναι ο πολύπλοκος και ισχυρός ιός Stuxnet, ένα στρατιωτικοποιημένο σκουλήκι που αναπτύχθηκε από τους ισραηλινούς και αμερικανικούς στρατούς για να διεισδύσει και να σαμποτάρει ιρανικούς πυρηνικούς σταθμούς. Αυτός ο ιός με κάποιο τρόπο (εσκεμμένα ή κατά λάθος) μόλυνε ένα ρωσικό πυρηνικό εργοστάσιο.

Ένα άλλο παράδειγμα είναι το πρόγραμμα Flame, που χρησιμοποιείται για την κατασκοπεία στον κυβερνοχώρο στη Μέση Ανατολή. Είναι εύκολο να φανταστεί κανείς τις μελλοντικές εκδόσεις του Stuxnet ή του Flame να ξεπερνούν τον προορισμό τους και να προκαλούν τεράστια ζημιά σε ευαίσθητες υποδομές. (Για να είμαστε σαφείς, αυτοί οι ιοί δεν είναι AI, αλλά στο μέλλον μπορεί να το έχουν, εξ ου και η ανησυχία).

Ο ιός Flame χρησιμοποιήθηκε για κατασκοπεία στον κυβερνοχώρο στη Μέση Ανατολή. Φωτογραφία: Ενσύρματο

Μύθος #4: «Η τεχνητή υπερνοημοσύνη θα είναι πολύ έξυπνη για να κάνει λάθη»

Πραγματικότητα:Ο ερευνητής AI και ιδρυτής του Surfing Samurai Robots Richard Lucimore πιστεύει ότι τα περισσότερα σενάρια ημέρα της κρίσηςπου σχετίζονται με την τεχνητή νοημοσύνη είναι ασυνεπείς. Πάντα βασίζονται στην υπόθεση ότι η AI λέει: «Ξέρω ότι η καταστροφή της ανθρωπότητας προκαλείται από μια αποτυχία στο σχέδιό μου, αλλά είμαι αναγκασμένος να το κάνω ούτως ή άλλως». Ο Lucimore λέει ότι αν ένα AI συμπεριφέρεται έτσι, συλλογίζοντας την καταστροφή μας, τότε τέτοιες λογικές αντιφάσεις θα το στοιχειώνουν σε όλη του τη ζωή. Αυτό με τη σειρά του υποβαθμίζει τη βάση γνώσεων του και τον κάνει πολύ ανόητο για να δημιουργήσει μια επικίνδυνη κατάσταση. Ο επιστήμονας υποστηρίζει επίσης ότι οι άνθρωποι που λένε: «Η τεχνητή νοημοσύνη μπορεί να κάνει μόνο αυτό που είναι προγραμματισμένη να κάνει» κάνουν το ίδιο λάθος με τους συναδέλφους τους στην αυγή της εποχής των υπολογιστών. Τότε, οι άνθρωποι χρησιμοποιούσαν αυτή τη φράση για να υποστηρίξουν ότι οι υπολογιστές δεν ήταν ικανοί να επιδείξουν την παραμικρή ευελιξία.

Ο Peter Macintyre και ο Stuart Armstrong, που εργάζονται στο Future of Humanity Institute στο Πανεπιστήμιο της Οξφόρδης, διαφωνούν με τον Lucimore. Υποστηρίζουν ότι η τεχνητή νοημοσύνη δεσμεύεται σε μεγάλο βαθμό από τον τρόπο προγραμματισμού της. Ο McIntyre και ο Armstrong πιστεύουν ότι η τεχνητή νοημοσύνη δεν θα μπορεί να κάνει λάθη ή να είναι πολύ ανόητη για να μην γνωρίζουμε τι περιμένουμε από αυτήν.

«Εξ ορισμού, η τεχνητή υπερνοημοσύνη (ASI) είναι ένα θέμα με νοημοσύνη σημαντικά μεγαλύτερη από αυτή του καλύτερου ανθρώπινου εγκεφάλου σε οποιοδήποτε πεδίο γνώσης. Θα ξέρει ακριβώς τι θέλαμε να κάνει», λέει ο McIntyre. Και οι δύο επιστήμονες πιστεύουν ότι η τεχνητή νοημοσύνη θα κάνει μόνο αυτό που έχει προγραμματιστεί να κάνει. Αλλά αν γίνει αρκετά έξυπνος, θα καταλάβει πόσο διαφορετικό είναι αυτό από το πνεύμα του νόμου ή τις προθέσεις των ανθρώπων.

Ο McIntyre συνέκρινε τη μελλοντική κατάσταση των ανθρώπων και της τεχνητής νοημοσύνης με την τρέχουσα αλληλεπίδραση ανθρώπου-ποντικιού. Στόχος του ποντικιού είναι να αναζητήσει τροφή και καταφύγιο. Συχνά όμως έρχεται σε σύγκρουση με την επιθυμία ενός ατόμου που θέλει το ζώο του να τρέχει ελεύθερα. «Είμαστε αρκετά έξυπνοι για να κατανοήσουμε μερικούς από τους στόχους των ποντικών. Έτσι και το ASI θα καταλάβει τις επιθυμίες μας, αλλά θα αδιαφορήσει γι' αυτές», λέει ο επιστήμονας.

Όπως δείχνει η πλοκή της ταινίας Ex Machina, θα είναι εξαιρετικά δύσκολο για ένα άτομο να κρατήσει ένα πιο έξυπνο AI

Μύθος #5: «Μια απλή ενημέρωση κώδικα θα λύσει το πρόβλημα του ελέγχου τεχνητής νοημοσύνης»

Πραγματικότητα:Με τη δημιουργία τεχνητής νοημοσύνης πιο έξυπνος από έναν άνθρωπο, βρισκόμαστε αντιμέτωποι με ένα πρόβλημα που είναι γνωστό ως «πρόβλημα ελέγχου». Οι φουτουριστές και οι θεωρητικοί της τεχνητής νοημοσύνης πέφτουν σε κατάσταση πλήρους σύγχυσης αν τους ρωτήσετε πώς θα περιορίσουμε και θα περιορίσουμε το ASI εάν εμφανιστεί ένα. Ή πώς να βεβαιωθείτε ότι θα είναι φιλικός με τους ανθρώπους. Πρόσφατα, ερευνητές στο Ινστιτούτο Τεχνολογίας της Τζόρτζια πρότειναν αφελώς ότι η τεχνητή νοημοσύνη θα μπορούσε να μάθει τις ανθρώπινες αξίες και τους κοινωνικούς κανόνες διαβάζοντας απλές ιστορίες. Στην πραγματικότητα, θα είναι πολύ πιο δύσκολο.

«Έχουν προταθεί πολλά απλά κόλπα που θα μπορούσαν να «λύσουν» ολόκληρο το πρόβλημα ελέγχου της τεχνητής νοημοσύνης», λέει ο Άρμστρονγκ. Τα παραδείγματα περιελάμβαναν τον προγραμματισμό ενός ASI έτσι ώστε ο σκοπός του να είναι να ευχαριστεί τους ανθρώπους ή έτσι ώστε να λειτουργεί απλώς ως εργαλείο στα χέρια ενός ατόμου. Μια άλλη επιλογή είναι να ενσωματώσετε τις έννοιες της αγάπης ή του σεβασμού στον πηγαίο κώδικα. Για να αποτραπεί η υιοθέτηση της τεχνητής νοημοσύνης με μια απλοϊκή, μονόπλευρη άποψη του κόσμου, έχει προταθεί ο προγραμματισμός της ώστε να εκτιμά την πνευματική, πολιτιστική και κοινωνική πολυμορφία.

Αλλά αυτές οι λύσεις είναι πολύ απλές, σαν μια προσπάθεια συμπίεσης ολόκληρης της πολυπλοκότητας των ανθρώπινων συμπαθειών και αντιπαθειών σε έναν επιφανειακό ορισμό. Προσπαθήστε, για παράδειγμα, να βρείτε έναν σαφή, λογικό και εφαρμόσιμο ορισμό του «σεβασμού». Αυτό είναι εξαιρετικά δύσκολο.

Οι μηχανές στο The Matrix θα μπορούσαν εύκολα να καταστρέψουν την ανθρωπότητα

Μύθος #6: «Η τεχνητή νοημοσύνη θα μας καταστρέψει»

Πραγματικότητα:Δεν υπάρχει καμία εγγύηση ότι η τεχνητή νοημοσύνη θα μας καταστρέψει ή ότι δεν θα μπορέσουμε να βρούμε τρόπο να την ελέγξουμε. Όπως είπε ο θεωρητικός της τεχνητής νοημοσύνης Eliezer Yudkowsky, «Το AI ούτε σε αγαπά ούτε σε μισεί, αλλά είσαι φτιαγμένος από άτομα που μπορεί να χρησιμοποιήσει για άλλους σκοπούς».

Στο βιβλίο του «Artificial Intelligence. Στάδια. Απειλές. Στρατηγικές», έγραψε ο φιλόσοφος της Οξφόρδης Nick Bostrom ότι η αληθινή τεχνητή υπερνοημοσύνη, μόλις εμφανιστεί, θα εγκυμονεί μεγαλύτερους κινδύνους από οποιαδήποτε άλλη ανθρώπινη εφεύρεση. Εξέχοντα μυαλά όπως ο Elon Musk, ο Bill Gates και ο Stephen Hawking (ο τελευταίος από τους οποίους προειδοποίησε ότι η τεχνητή νοημοσύνη θα μπορούσε να είναι το «χειρότερο λάθος μας στην ιστορία») έχουν επίσης εκφράσει ανησυχία.

Ο McIntyre είπε ότι για τους περισσότερους σκοπούς που μπορεί να έχει το ASI, υπάρχουν καλοί λόγοι για να απαλλαγούμε από τους ανθρώπους.

«Το AI μπορεί να προβλέψει, πολύ σωστά, ότι δεν θέλουμε να μεγιστοποιήσει τα κέρδη μιας συγκεκριμένης εταιρείας, ανεξάρτητα από το κόστος για τους πελάτες, το περιβάλλον και τα ζώα. Ως εκ τούτου, έχει ένα ισχυρό κίνητρο να διασφαλίσει ότι δεν διακόπτεται, παρεμβαίνει, απενεργοποιείται ή αλλάζει στους στόχους του, καθώς αυτό θα εμπόδιζε την επίτευξη των αρχικών του στόχων», υποστηρίζει ο McIntyre.

Εάν οι στόχοι του ASI δεν αντικατοπτρίζουν στενά τους δικούς μας, θα έχει έναν καλό λόγο να μας εμποδίσει να το σταματήσουμε. Λαμβάνοντας υπόψη ότι το επίπεδο νοημοσύνης του υπερβαίνει σημαντικά το δικό μας, δεν μπορούμε να κάνουμε τίποτα γι 'αυτό.

Κανείς δεν ξέρει τι μορφή θα πάρει η τεχνητή νοημοσύνη ή πώς μπορεί να απειλήσει την ανθρωπότητα. Όπως σημείωσε ο Musk, η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για τον έλεγχο, τη ρύθμιση και την παρακολούθηση άλλων AI. Ή μπορεί να είναι εμποτισμένο με ανθρώπινες αξίες ή μια πρωταρχική επιθυμία να είσαι φιλικός με τους ανθρώπους.

Μύθος #7: «Η τεχνητή υπερνοημοσύνη θα είναι φιλική»

Πραγματικότητα:Ο φιλόσοφος Immanuel Kant πίστευε ότι ο λόγος συσχετίζεται στενά με την ηθική. Ο νευροεπιστήμονας David Chalmers στη μελέτη του «The Singularity: Φιλοσοφική ανάλυσηπήρε τη διάσημη ιδέα του Καντ και την εφάρμοσε στην αναδυόμενη τεχνητή υπερνοημοσύνη.

Αν αυτό είναι αλήθεια...μπορούμε να περιμένουμε μια πνευματική έκρηξη να οδηγήσει σε ηθική έκρηξη. Στη συνέχεια, μπορούμε να περιμένουμε ότι τα αναδυόμενα συστήματα ASI θα είναι υπερ-ηθικά καθώς και υπερ-έξυπνα, κάτι που μας επιτρέπει να περιμένουμε καλή ποιότητα από αυτά.

Αλλά η ιδέα ότι η προηγμένη τεχνητή νοημοσύνη θα είναι διαφωτισμένη και ευγενική δεν είναι πολύ εύλογη στον πυρήνα της. Όπως σημείωσε ο Άρμστρονγκ, υπάρχουν πολλοί έξυπνοι εγκληματίες πολέμου. Η σύνδεση μεταξύ ευφυΐας και ηθικής δεν φαίνεται να υπάρχει μεταξύ των ανθρώπων, επομένως αμφισβητεί τη λειτουργία αυτής της αρχής μεταξύ άλλων ευφυών μορφών.

«Οι έξυπνοι άνθρωποι που συμπεριφέρονται ανήθικα μπορούν να προκαλέσουν πόνο σε πολύ μεγαλύτερη κλίμακα από τους πιο χαζούς ομολόγους τους. Η λογική απλώς τους δίνει την ευκαιρία να είναι κακοί με μεγάλη ευφυΐα, δεν τους μετατρέπει σε καλούς ανθρώπους», λέει ο Άρμστρονγκ.

Όπως εξήγησε ο MacIntyre, η ικανότητα ενός υποκειμένου να επιτύχει έναν στόχο δεν σχετίζεται με το εάν ο στόχος είναι λογικός στην αρχή. «Θα είμαστε πολύ τυχεροί εάν τα AI μας είναι μοναδικά προικισμένα και το επίπεδο ηθικής τους αυξηθεί μαζί με την ευφυΐα τους. Το να βασιζόμαστε στην τύχη δεν είναι η καλύτερη προσέγγιση για κάτι που θα μπορούσε να διαμορφώσει το μέλλον μας», λέει.

Μύθος #8: «Οι κίνδυνοι της τεχνητής νοημοσύνης και της ρομποτικής είναι ίσοι»

Πραγματικότητα:Αυτό είναι ένα ιδιαίτερα συχνό λάθος που διαιωνίζεται από τα μη επικριτικά μέσα και Ταινίες του Χόλιγουντόπως ο «Εξολοθρευτής».

Αν μια τεχνητή υπερνοημοσύνη όπως το Skynet ήθελε πραγματικά να καταστρέψει την ανθρωπότητα, δεν θα χρησιμοποιούσε Android με εξάκαννα πολυβόλα. Θα ήταν πολύ πιο αποτελεσματικό να στείλουμε μια βιολογική πανούκλα ή μια νανοτεχνολογική γκρίζα ουλή. Ή απλώς καταστρέψτε την ατμόσφαιρα.

Η τεχνητή νοημοσύνη είναι δυνητικά επικίνδυνη όχι επειδή μπορεί να επηρεάσει την ανάπτυξη της ρομποτικής, αλλά επειδή η εμφάνισή της θα επηρεάσει τον κόσμο γενικότερα.

Μύθος #9: «Η απεικόνιση της τεχνητής νοημοσύνης στην επιστημονική φαντασία είναι μια ακριβής αναπαράσταση του μέλλοντος».

Πολλά είδη μυαλών. Εικόνα: Eliezer Yudkowsky

Φυσικά, συγγραφείς και μελλοντολόγοι έχουν χρησιμοποιήσει την επιστημονική φαντασία για να κάνουν φανταστικές προβλέψεις, αλλά ο ορίζοντας γεγονότων που καθιερώνει η ASI είναι μια εντελώς διαφορετική ιστορία. Επιπλέον, η μη ανθρώπινη φύση της τεχνητής νοημοσύνης μας καθιστά αδύνατο να γνωρίζουμε, και επομένως να προβλέψουμε, τη φύση και τη μορφή της.

Για να διασκεδάσει εμάς τους ηλίθιους ανθρώπους, η επιστημονική φαντασία απεικονίζει τα περισσότερα AI ως παρόμοια με εμάς. «Υπάρχει ένα φάσμα από όλα τα πιθανά μυαλά. Ακόμη και μεταξύ των ανθρώπων, είστε αρκετά διαφορετικοί από τον γείτονά σας, αλλά αυτή η παραλλαγή δεν είναι τίποτα σε σύγκριση με όλα τα μυαλά που μπορούν να υπάρχουν», λέει ο McIntyre.

Τα περισσότερα έργα επιστημονικής φαντασίας δεν χρειάζεται να είναι επιστημονικά ακριβή για να αφηγηθούν μια συναρπαστική ιστορία. Η σύγκρουση συνήθως εκτυλίσσεται ανάμεσα σε ήρωες παρόμοιας ισχύος. «Φανταστείτε πόσο βαρετή θα ήταν μια ιστορία όπου μια τεχνητή νοημοσύνη χωρίς συνείδηση, χαρά ή μίσος, κατέλυσε την ανθρωπότητα χωρίς καμία αντίσταση για να πετύχει έναν μη ενδιαφέροντα στόχο», αφηγείται ο Άρμστρονγκ, χασμουρητό.

Εκατοντάδες ρομπότ εργάζονται στο εργοστάσιο της Tesla

Μύθος #10: «Είναι τρομερό που η τεχνητή νοημοσύνη θα πάρει όλες τις δουλειές μας».

Πραγματικότητα:Η ικανότητα της τεχνητής νοημοσύνης να αυτοματοποιεί πολλά από αυτά που κάνουμε και η δυνατότητά της να καταστρέψει την ανθρωπότητα είναι δύο πολύ διαφορετικά πράγματα. Όμως, σύμφωνα με τον Μάρτιν Φορντ, συγγραφέα του βιβλίου «Η Αυγή των Ρομπότ: Τεχνολογία και η απειλή ενός μέλλοντος χωρίς δουλειά», θεωρούνται συχνά ως σύνολο. Είναι καλό να σκεφτόμαστε το μακρινό μέλλον της τεχνητής νοημοσύνης, αρκεί να μην μας αποσπά την προσοχή από τις προκλήσεις που θα αντιμετωπίσουμε τις επόμενες δεκαετίες. Ο κύριος μεταξύ αυτών είναι ο μαζικός αυτοματισμός.

Κανείς δεν αμφιβάλλει ότι η τεχνητή νοημοσύνη θα αντικαταστήσει πολλά υπάρχοντα επαγγέλματα, από εργάτη εργοστασίου μέχρι... ανώτερα κλιμάκιαυπάλληλοι γραφείου. Ορισμένοι ειδικοί προβλέπουν ότι οι μισές θέσεις εργασίας στις ΗΠΑ κινδυνεύουν να αυτοματοποιηθούν στο εγγύς μέλλον.

Αυτό όμως δεν σημαίνει ότι δεν μπορούμε να αντιμετωπίσουμε το σοκ. Γενικά, το να απαλλαγούμε από το μεγαλύτερο μέρος της δουλειάς μας, τόσο σωματικής όσο και ψυχικής, είναι ένας σχεδόν ουτοπικός στόχος για το είδος μας.

«Η τεχνητή νοημοσύνη θα καταστρέψει πολλές θέσεις εργασίας μέσα σε μερικές δεκαετίες, αλλά αυτό δεν είναι κακό», λέει ο Μίλερ. Τα αυτοοδηγούμενα αυτοκίνητα θα αντικαταστήσουν τους οδηγούς φορτηγών, γεγονός που θα μειώσει το κόστος παράδοσης και, ως εκ τούτου, θα κάνει πολλά προϊόντα φθηνότερα. «Αν είσαι οδηγός φορτηγού και βγάζεις τα προς το ζην, θα χάσεις, αλλά όλοι οι άλλοι, αντίθετα, θα μπορούν να αγοράζουν περισσότερα αγαθά με τον ίδιο μισθό. Και τα χρήματα που εξοικονομούν θα δαπανηθούν σε άλλα αγαθά και υπηρεσίες που θα δημιουργήσουν νέες θέσεις εργασίας για τους ανθρώπους», λέει ο Μίλερ.

Κατά πάσα πιθανότητα, η τεχνητή νοημοσύνη θα δημιουργήσει νέες ευκαιρίες για την παραγωγή αγαθών, απελευθερώνοντας τους ανθρώπους να κάνουν άλλα πράγματα. Η πρόοδος στην τεχνητή νοημοσύνη θα συνοδεύεται από προόδους σε άλλους τομείς, ιδιαίτερα στον κατασκευαστικό τομέα. Στο μέλλον, θα είναι πιο εύκολο, όχι πιο δύσκολο, να καλύψουμε τις βασικές μας ανάγκες.

Με αξιοζήλευτη συχνότητα εμφανίζονται ειδήσεις για νέες εξελίξεις στον τομέα της τεχνητής νοημοσύνης. Έτσι, τον Ιανουάριο του τρέχοντος έτους, η Google ανακοίνωσε τα σχέδιά της, σε συνεργασία με τη Movidius, για τη δημιουργία επεξεργαστών για φορητές συσκευές με δυνατότητες μηχανικής εκμάθησης. Οι δηλωμένοι στόχοι της συνεργασίας είναι να προσφέρει δυνατότητες νοημοσύνης μηχανών στους ανθρώπους στις φορητές συσκευές τους. Και τον Φεβρουάριο, οι μηχανικοί του MIT παρουσίασαν ήδη τον επεξεργαστή Eyeriss, χάρη στον οποίο η τεχνητή νοημοσύνη μπορεί να εμφανιστεί σε φορητές συσκευές. Και αυτό με φόντο το γεγονός ότι ο όγκος των επενδύσεων στην ανάπτυξη συστημάτων τεχνητής νοημοσύνης αυξάνεται από χρόνο σε χρόνο.

Όλα δείχνουν ότι σύντομα η τεχνητή νοημοσύνη θα διεισδύσει στα smartphone μας, τα οποία θα γίνουν σημαντικά πιο έξυπνα. Δηλαδή δεν απέχουμε πολύ από την εξέγερση των μηχανών; Πόσο πιο έξυπνες πρέπει να γίνουν οι μηχανές για να πάρουν την εξουσία πάνω στους ανθρώπους; Και πόσο αληθινό είναι;

Τεχνητή νοημοσύνη ένα, τεχνητή νοημοσύνη δύο, τεχνητή νοημοσύνη τρία

Όταν διαβάζουμε ή ακούμε για την τεχνητή νοημοσύνη, πολλοί από εμάς φανταζόμαστε το SkyNet και τις μηχανές από τη διάσημη ταινία Terminator. Τι εννοούν οι ερευνητές και οι προγραμματιστές με αυτήν την έννοια;

Υπάρχουν τρεις τύποι τεχνητής νοημοσύνης που πρέπει ή μπορεί να χρειαστεί να δημιουργήσουμε:

Στενά στοχευμένη τεχνητή νοημοσύνη. Αυτό ακριβώς θα έχουμε στα νέα μας smartphone στο εγγύς μέλλον. Αυτή η νοημοσύνη είναι ανώτερη από την ανθρώπινη νοημοσύνη σε ορισμένες δραστηριότητες ή λειτουργίες. Ένας υπολογιστής με εξαιρετικά στοχευμένη τεχνητή νοημοσύνη μπορεί να κερδίσει έναν παγκόσμιο πρωταθλητή στο σκάκι, να παρκάρει ένα αυτοκίνητο ή να επιλέξει τα πιο σχετικά αποτελέσματα σε μια μηχανή αναζήτησης.

Η δύναμη μιας τέτοιας τεχνητής νοημοσύνης έγκειται στις υπολογιστικές δυνατότητες των επεξεργαστών. Όσο μεγαλύτερες είναι αυτές οι ευκαιρίες, τόσο πιο αποτελεσματικά επιλύονται οι εργασίες που έχουν ανατεθεί. Και με την αύξηση της ισχύος του επεξεργαστή δεν υπάρχουν προβλήματα τώρα. Το στενά εστιασμένο AI, στη φιλοσοφία της τεχνητής νοημοσύνης (υπάρχει κάτι τέτοιο) ονομάζεται αδύναμο.

Όμως οι υπολογιστικές δυνατότητες από μόνες τους, σύμφωνα με τους επιστήμονες, δεν αρκούν για τη δημιουργία πραγματικά έξυπνων μηχανών. Αν και ήταν ακριβώς η πλασματική περίπτωση της αυθόρμητης μετάβασης της αδύναμης τεχνητής νοημοσύνης σε ισχυρή που αποτέλεσε τη βάση για το σενάριο των ταινιών Terminator. Το SkyNet είναι ένας υπερυπολογιστής του Υπουργείου Άμυνας των ΗΠΑ που έχει σχεδιαστεί για τη διαχείριση του συστήματος αντιπυραυλική άμυνα, αποκτά συνείδηση ​​και αρχίζει να παίρνει τις δικές του αποφάσεις.

Γενική τεχνητή νοημοσύνη. Αν έχουμε ήδη δημιουργήσει συστήματα με στενά στοχευμένη τεχνητή νοημοσύνη και έχουμε βρει πρακτικές εφαρμογές για αυτά, τότε με το General AI όλα είναι πολύ πιο περίπλοκα. Αυτός ο τύπος AI είναι ήδη νοημοσύνη σε ανθρώπινο επίπεδο. Είναι καθολικό και ικανό να εκτελεί τις ίδιες διανοητικές λειτουργίες με τον ανθρώπινο εγκέφαλο.

Αν δούμε πλήρως ανθρωποειδή ρομπότ στη διάρκεια της ζωής μας, θα έχουν ακριβώς αυτό το είδος νοημοσύνης. Θυμηθείτε το android Andrew από την ταινία του Chris Columbus Bicentennial Man. Τα ρομπότ με τέτοια τεχνητή νοημοσύνη θα μπορούν να μαθαίνουν ανεξάρτητα, να σκέφτονται και να λαμβάνουν αποφάσεις όπως οι άνθρωποι. Θα μπορέσουν να χτίσουν σχέσεις με τους ανθρώπους γύρω τους, να γίνουν φίλοι και βοηθοί. Είναι αυτό το είδος τεχνητής νοημοσύνης που ονομάζεται ισχυρή.

Αλλά υπάρχει ένα χάσμα μεταξύ ισχυρής και αδύναμης τεχνητής νοημοσύνης. Για να πάτε από το ένα στο άλλο, δεν αρκεί να αυξήσετε την υπολογιστική ισχύ των υπολογιστών, πρέπει επίσης να τους δώσετε ευφυΐα. Οι επιστήμονες δεν έχουν ακόμη δει έναν ξεκάθαρο τρόπο για να το κάνουν αυτό.

Τεχνητή υπερνοημοσύνη. Είναι αυτός ο τύπος τεχνητής νοημοσύνης που προσελκύει ευρεία προσοχή. Σε μεγάλο βαθμό γιατί η πιθανότητα δημιουργίας του εκλαμβάνεται από πολλούς επιστήμονες ως κίνδυνος για την ανθρωπότητα. Το SkyNet είναι ένα παράδειγμα μιας τέτοιας απειλής.

Η υπερευφυΐα θα είναι πιο έξυπνη από οποιονδήποτε από τους ανθρώπους. Θα είναι ανώτερος από τον άνθρωπο σχεδόν σε κάθε τομέα. Θα είναι σε θέση να λύσει σύνθετα προβλήματα και να κάνει επιστημονικές ανακαλύψεις. Πώς θα συμπεριφερθεί μια ευφυής μηχανή σε σχέση με την ανθρωπότητα;

Οι επιστήμονες προτείνουν τρία μοντέλα αλληλεπίδρασης:

Μαντείο- Μπορούμε να λάβουμε απάντηση σε οποιαδήποτε περίπλοκη ερώτηση.

Τζιν- θα κάνει ό,τι χρειαζόμαστε μόνος του, χρησιμοποιώντας για αυτό τουλάχιστον έναν μοριακό συναρμολογητή, ακόμη και ρομποτικά εργαστήρια και εργοστάσια που λειτουργούν χωρίς ανθρώπινη παρέμβαση.

Κυρίαρχος- Θα βρει μόνος του το πρόβλημα και θα το λύσει μόνος του.

Όπως μπορείτε να δείτε, ο όρος «τεχνητή νοημοσύνη» περιέχει τρεις μορφές ύπαρξης τεχνητής νοημοσύνης. Και οι διαφορές τους μεταξύ τους είναι σημαντικές, όπως και οι συνέπειες της μετάβασης από το ένα AI στο άλλο. Μπορούμε να προσδιορίσουμε το επίπεδο νοημοσύνης έξυπνα αυτοκίνηταγια να καταλάβουμε με ποιον έχουμε να κάνουμε;

Πώς να μετρήσετε την τεχνητή νοημοσύνη;

Οι άνθρωποι διαφέρουν μεταξύ τους ως προς το επίπεδο νοημοσύνης τους. Για το δικό του ποσοτικοποίησηχρησιμοποιούνται ειδικές δοκιμές. Το τεστ IQ είναι γνωστό σε πολλούς. Πώς μετριέται η νοημοσύνη των μηχανών;

Αν ακολουθήσουμε μια άκριτη προσέγγιση στις αναφορές των μέσων ενημέρωσης, τότε το πνευματικό επίπεδο σύγχρονα αυτοκίνηταποικίλλει μεταξύ του IQ των 4 χρονο παιδίκαι ένας 13χρονος έφηβος. Αυτοί οι δύο αριθμοί απεικονίζουν δύο προσεγγίσεις για τη μέτρηση της νοημοσύνης των μηχανών.

Το 2015, μια ομάδα επιστημόνων από το Ιλινόις δοκίμασε το σύστημα τεχνητής νοημοσύνης ConceptNet που δημιουργήθηκε στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης χρησιμοποιώντας ένα τυπικό τεστ IQ για παιδιά ηλικίας 2,5 έως 7 ετών. Τα αποτελέσματα του μηχανήματος αντιστοιχούσαν στη μέση απόδοση ενός παιδιού τεσσάρων ετών.

Εκτός από τη χρήση δοκιμών που έχουν σχεδιαστεί για ανθρώπους, είναι ευρέως γνωστό και χρησιμοποιείται ένα ειδικό τεστ σχεδιασμένο για μηχανές. Το τεστ Turing έχει σχεδιαστεί για να καθορίσει εάν μια μηχανή μπορεί να σκεφτεί.

Το τεστ έχει ως εξής. Ένα άτομο –ο δικαστής– επικοινωνεί με δύο συνομιλητές τους οποίους δεν βλέπει. Όλη η αλληλεπίδραση πραγματοποιείται με αλληλογραφία χρησιμοποιώντας έναν ενδιάμεσο υπολογιστή. Ο ένας από τους συνομιλητές είναι ένα άτομο και ο άλλος είναι ένα πρόγραμμα υπολογιστή που παρουσιάζεται ως άτομο. Εάν ο κριτής δεν μπορεί να πει με βεβαιότητα ποιος από τους συνομιλητές του είναι το πρόγραμμα, τότε το μηχάνημα θεωρείται ότι έχει περάσει το τεστ.

Μέχρι σήμερα, το τεστ Turing έχει περάσει μόνο μία φορά. Το 2014, το πρόγραμμα Eugene Goostman, το οποίο μιμήθηκε έναν 13χρονο έφηβο που ονόμασαν οι προγραμματιστές ως Zhenya Goostman, μπόρεσε να παραπλανήσει τους δικαστές και να υποδυθεί ένα άτομο.

Ωστόσο, υπάρχουν πολλές ενστάσεις για τέτοιες δοκιμές. Τόσο οι υπολογιστές όσο και τα προγράμματά τους σήμερα είναι φορείς αδύναμης, στενά εστιασμένης τεχνητής νοημοσύνης. Μια τέτοια ευφυΐα μπορεί μόνο να μιμηθεί το άτομο που κάνει το τεστ.

Όλα θα αλλάξουν όταν περάσουμε από την αδύναμη τεχνητή νοημοσύνη στην ισχυρή. Μια μηχανή προικισμένη με γενική τεχνητή νοημοσύνη, η οποία θα είναι παρόμοια με την ανθρώπινη νοημοσύνη, θα έχει ήδη συνείδηση ​​και αυτογνωσία και επομένως θα σκέφτεται. Ένας τέτοιος υπολογιστής θα περνούσε ένα τυπικό τεστ IQ, απαντώντας σε ερωτήσεις συνειδητά όπως θα έκανε ένας άνθρωπος.

Το ανθρώπινο IQ κυμαίνεται από 85 έως 130. Οι ίδιοι δείκτες θα είναι διαθέσιμοι και για τη γενική τεχνητή νοημοσύνη. Αλλά το ανώτερο επίπεδο IQ της τεχνητής υπερνοημοσύνης δεν θα έχει περιορισμούς. Θα μπορούσε να είναι 1.000 ή 10.000. Τι μας περιμένει καθώς βελτιώνεται η τεχνητή νοημοσύνη;

Τεχνητή νοημοσύνη: πώς και πού να μελετήσετε - απαντούν οι ειδικοί

«Θέλω να κάνω AI. Τι αξίζει να μελετήσετε; Ποιες γλώσσες να χρησιμοποιήσω; Σε ποιους οργανισμούς πρέπει να σπουδάσω και να εργαστώ;

Απευθυνθήκαμε στους ειδικούς μας για διευκρίνιση και σας παρουσιάζουμε τις απαντήσεις που λάβαμε.

Εξαρτάται από τη βασική σας εκπαίδευση. Πρώτα απ 'όλα, χρειάζεστε μια μαθηματική κουλτούρα (γνώση στατιστικών, θεωρία πιθανοτήτων, διακριτά μαθηματικά, γραμμική άλγεβρα, ανάλυση κ.λπ.) και διάθεση να μάθετε πολλά γρήγορα. Κατά την εφαρμογή μεθόδων AI, θα απαιτείται προγραμματισμός (αλγόριθμοι, δομές δεδομένων, OOP, κ.λπ.).

Διαφορετικά έργα απαιτούν γνώση διαφορετικών γλωσσών προγραμματισμού. Θα συνιστούσα να γνωρίζετε τουλάχιστον Python, Java και οποιαδήποτε λειτουργική γλώσσα. Θα είναι χρήσιμη η εμπειρία με διάφορες βάσεις δεδομένων και κατανεμημένα συστήματα. Απαιτούνται δεξιότητες αγγλικής γλώσσας για να μάθετε γρήγορα τις βέλτιστες πρακτικές του κλάδου.

Σας προτείνω να σπουδάσετε σε καλά ρωσικά πανεπιστήμια! Για παράδειγμα, τα MIPT, MSU και HSE έχουν αντίστοιχα τμήματα. Μια μεγάλη ποικιλία θεματικών μαθημάτων είναι διαθέσιμη στις πλατφόρμες Coursera, edX, Udacity, Udemy και σε άλλες πλατφόρμες MOOC. Ορισμένοι κορυφαίοι οργανισμοί έχουν τα δικά τους προγράμματα κατάρτισης στον τομέα της τεχνητής νοημοσύνης (για παράδειγμα, το School of Data Analysis στο Yandex).

Τα προβλήματα εφαρμογών που επιλύονται με μεθόδους τεχνητής νοημοσύνης μπορούν να βρεθούν σε μεγάλη ποικιλία θέσεων. Τράπεζες, χρηματοοικονομικός τομέας, συμβουλευτικές υπηρεσίες, λιανικό εμπόριο, ηλεκτρονικό εμπόριο, μηχανές αναζήτησης, οι ταχυδρομικές υπηρεσίες, η βιομηχανία τυχερών παιχνιδιών, η βιομηχανία συστημάτων ασφαλείας και, φυσικά, η Avito - όλα χρειάζονται ειδικούς διαφόρων προσόντων.

Προώθηση υποβιβασμού

Έχουμε ένα έργο fintech που σχετίζεται με τη μηχανική μάθηση και την όραση υπολογιστών, στο οποίο ο πρώτος προγραμματιστής του έγραψε τα πάντα σε C++, μετά ήρθε ένας προγραμματιστής και ξαναέγραψε τα πάντα στην Python. Επομένως, η γλώσσα δεν είναι το πιο σημαντικό πράγμα εδώ, αφού η γλώσσα είναι πρώτα και κύρια ένα εργαλείο και εξαρτάται από εσάς πώς να τη χρησιμοποιήσετε. Απλώς σε ορισμένες γλώσσες τα προβλήματα μπορούν να λυθούν πιο γρήγορα και σε άλλες πιο αργά.

Είναι δύσκολο να πούμε πού να σπουδάσουμε - όλα τα παιδιά μας σπούδασαν μόνοι τους, ευτυχώς υπάρχει το Διαδίκτυο και η Google.

Προώθηση υποβιβασμού

Μπορώ να σας συμβουλέψω να προετοιμαστείτε από την αρχή για το γεγονός ότι θα πρέπει να μελετήσετε πολύ. Ανεξάρτητα από το τι σημαίνει «κάνω AI» - εργασία με μεγάλα δεδομένα ή νευρωνικά δίκτυα. ανάπτυξη τεχνολογίας ή υποστήριξη και εκπαίδευση συγκεκριμένου ήδη ανεπτυγμένου συστήματος.

Ας πάρουμε το μοντέρνο επάγγελμα του Επιστήμονα Δεδομένων για λόγους ειδικών. Τι κάνει αυτό το άτομο; Γενικά, συλλέγει, αναλύει και προετοιμάζει μεγάλα δεδομένα για χρήση. Αυτά είναι εκείνα στα οποία αναπτύσσεται και εκπαιδεύεται η AI. Τι πρέπει να γνωρίζει και να μπορεί να κάνει ένας Data Scientist; Η στατική ανάλυση και η μαθηματική μοντελοποίηση είναι από προεπιλογή και στο επίπεδο της ευχέρειας. Γλώσσες - ας πούμε, R, SAS, Python. Θα ήταν επίσης ωραίο να έχετε κάποια εμπειρία ανάπτυξης. Λοιπόν, σε γενικές γραμμές, ένας καλός επιστήμονας δεδομένων πρέπει να αισθάνεται σίγουρος για βάσεις δεδομένων, αλγόριθμους και οπτικοποίηση δεδομένων.

Δεν σημαίνει ότι ένα τέτοιο σύνολο γνώσεων θα μπορούσε να αποκτηθεί σε κάθε δεύτερο τεχνικό πανεπιστήμιο της χώρας. Μεγάλες εταιρείεςπου έχουν ως προτεραιότητα την ανάπτυξη τεχνητής νοημοσύνης, το κατανοούν αυτό και αναπτύσσουν κατάλληλα εκπαιδευτικά προγράμματα για τον εαυτό τους - υπάρχει, για παράδειγμα, το School of Data Analysis από το Yandex. Αλλά πρέπει να γνωρίζετε ότι αυτή δεν είναι η κλίμακα όπου έρχεστε στα μαθήματα "από το δρόμο", αλλά τα αφήνετε ως έτοιμοι junior. Το επίπεδο είναι μεγάλο και είναι λογικό να μελετάς έναν κλάδο όταν τα βασικά (μαθηματικά, στατιστική) έχουν ήδη καλυφθεί, τουλάχιστον στο πλαίσιο του πανεπιστημιακού προγράμματος.

Ναι, θα πάρει αρκετό χρόνο. Αλλά το παιχνίδι αξίζει το κερί, γιατί ένας καλός Επιστήμονας Δεδομένων είναι πολλά υποσχόμενος. Και πολύ ακριβό. Υπάρχει επίσης ένα άλλο σημείο. Η τεχνητή νοημοσύνη, αφενός, δεν είναι πλέον απλώς ένα αντικείμενο διαφημιστικής εκστρατείας, αλλά μια τεχνολογία που έχει φτάσει εντελώς στο στάδιο της παραγωγικότητας. Από την άλλη πλευρά, η τεχνητή νοημοσύνη εξακολουθεί να αναπτύσσεται. Αυτή η εξέλιξη απαιτεί πολλούς πόρους, πολλές δεξιότητες και πολλά χρήματα. Μέχρι στιγμής αυτό είναι το επίπεδο του μεγάλου πρωταθλήματος. Θα πω το προφανές τώρα, αλλά αν θέλετε να είστε στην πρώτη γραμμή της επίθεσης και να οδηγείτε την πρόοδο με τα χέρια σας, στοχεύστε σε εταιρείες όπως το Facebook ή η Amazon.

Ταυτόχρονα, η τεχνολογία χρησιμοποιείται ήδη σε διάφορους τομείς: στον τραπεζικό τομέα, τις τηλεπικοινωνίες, τις γιγάντιες βιομηχανικές επιχειρήσεις και το λιανικό εμπόριο. Και χρειάζονται ήδη ανθρώπους που μπορούν να το υποστηρίξουν. Η Gartner προβλέπει ότι έως το 2020, το 20% όλων των επιχειρήσεων ανεπτυγμένες χώρεςθα προσλάβει ειδικούς υπαλλήλουςγια την εκπαίδευση των νευρωνικών δικτύων που χρησιμοποιούνται σε αυτές τις εταιρείες. Υπάρχει λοιπόν λίγος χρόνος για να μάθετε μόνοι σας.

Προώθηση υποβιβασμού

Η τεχνητή νοημοσύνη αναπτύσσεται τώρα ενεργά και είναι δύσκολο να προβλεφθεί δέκα χρόνια νωρίτερα. Τα επόμενα δύο έως τρία χρόνια, οι προσεγγίσεις που βασίζονται σε νευρωνικά δίκτυα και υπολογιστές GPU θα κυριαρχούν. Ο ηγέτης σε αυτόν τον τομέα είναι η Python με το διαδραστικό περιβάλλον Jupyter και τις βιβλιοθήκες numpy, scipy και tensorflow.

Υπάρχουν πολλά διαδικτυακά μαθήματα που παρέχουν μια βασική κατανόηση αυτών των τεχνολογιών και γενικών αρχών τεχνητής νοημοσύνης, όπως το μάθημα του Andrew Ng. Και όσον αφορά τη διδασκαλία αυτού του θέματος, η Ρωσία είναι πλέον η πιο αποτελεσματική αυτοεκπαίδευσηή σε μια τοπική ομάδα συμφερόντων (για παράδειγμα, στη Μόσχα γνωρίζω την ύπαρξη τουλάχιστον δύο ομάδων όπου οι άνθρωποι μοιράζονται την εμπειρία και τη γνώση).

Προώθηση υποβιβασμού

Προώθηση υποβιβασμού

Σήμερα, το πιο γρήγορα εξελισσόμενο μέρος της τεχνητής νοημοσύνης είναι, ίσως, τα νευρωνικά δίκτυα.
Η μελέτη των νευρωνικών δικτύων και της τεχνητής νοημοσύνης θα πρέπει να ξεκινήσει με την κατάκτηση δύο κλάδων των μαθηματικών - τη γραμμική άλγεβρα και τη θεωρία πιθανοτήτων. Αυτό είναι ένα υποχρεωτικό ελάχιστο, οι ακλόνητοι πυλώνες της τεχνητής νοημοσύνης. Οι υποψήφιοι που θέλουν να κατανοήσουν τα βασικά της τεχνητής νοημοσύνης, όταν επιλέγουν ένα πανεπιστήμιο, κατά τη γνώμη μου, θα πρέπει να δώσουν προσοχή σε σχολές με ισχυρή σχολή μαθηματικών.

Το επόμενο βήμα είναι η μελέτη των προβλημάτων του θέματος. Υπάρχει τεράστιος όγκος λογοτεχνίας, τόσο εκπαιδευτικής όσο και εξειδικευμένης. Οι περισσότερες δημοσιεύσεις σχετικά με το θέμα της τεχνητής νοημοσύνης και των νευρωνικών δικτύων είναι γραμμένες στα αγγλικά, αλλά δημοσιεύονται και υλικά στη ρωσική γλώσσα. Χρήσιμη βιβλιογραφία μπορείτε να βρείτε, για παράδειγμα, στη δημόσια ψηφιακή βιβλιοθήκη arxiv.org.

Αν μιλάμε για τομείς δραστηριότητας, εδώ μπορούμε να επισημάνουμε την εκπαίδευση εφαρμοσμένων νευρωνικών δικτύων και την ανάπτυξη εντελώς νέων εκδόσεων νευρωνικών δικτύων. Ένα εντυπωσιακό παράδειγμα: υπάρχει μια τόσο δημοφιλής ειδικότητα τώρα - "επιστήμονας δεδομένων" (Data Scientist). Πρόκειται για προγραμματιστές που, κατά κανόνα, μελετούν και προετοιμάζουν ορισμένα σύνολα δεδομένων για την εκπαίδευση νευρωνικών δικτύων σε συγκεκριμένες περιοχές εφαρμογών. Συνοψίζοντας, θα ήθελα να τονίσω ότι κάθε εξειδίκευση απαιτεί ξεχωριστό δρόμο προετοιμασίας.

Προώθηση υποβιβασμού

Πριν ξεκινήσετε εξειδικευμένα μαθήματα, πρέπει να μελετήσετε τη γραμμική άλγεβρα και τη στατιστική. Θα συνιστούσα να ξεκινήσετε την εμβάπτισή σας στην τεχνητή νοημοσύνη με το εγχειρίδιο «Μηχανική Μάθηση. The Science and Art of Building Algorithms That Extract Knowledge from Data» είναι μια καλή αρχή για αρχάριους. Στο Coursera, αξίζει να ακούσετε τις εισαγωγικές διαλέξεις του K. Vorontsov (τονίζω ότι απαιτούν καλή γνώση της γραμμικής άλγεβρας) και το μάθημα «Machine Learning» στο Πανεπιστήμιο Stanford, που διδάσκει ο Andrew Ng, καθηγητής και επικεφαλής του Baidu AI. Ομάδα/Google Brain.

Το μεγαλύτερο μέρος είναι γραμμένο σε Python, ακολουθούμενο από το R και το Lua.

Αν μιλάμε για εκπαιδευτικά ιδρύματα, είναι καλύτερο να εγγραφείτε σε μαθήματα στα τμήματα εφαρμοσμένων μαθηματικών και πληροφορικής· υπάρχουν κατάλληλα εκπαιδευτικά προγράμματα. Για να δοκιμάσετε τις ικανότητές σας, μπορείτε να λάβετε μέρος σε διαγωνισμούς Kaggle, όπου μεγάλες παγκόσμιες μάρκες προσφέρουν τις θήκες τους.

Προώθηση υποβιβασμού

Σε κάθε επιχείρηση, πριν ξεκινήσετε έργα, καλό θα ήταν να αποκτήσετε μια θεωρητική βάση. Υπάρχουν πολλά μέρη όπου μπορείτε να αποκτήσετε επίσημο μεταπτυχιακό σε αυτόν τον τομέα ή να βελτιώσετε τα προσόντα σας. Για παράδειγμα, η Skoltech προσφέρει μεταπτυχιακά προγράμματα στους τομείς της «Υπολογιστικής Επιστήμης και Μηχανικής» και της «Επιστήμης Δεδομένων», η οποία περιλαμβάνει μαθήματα «Μηχανικής Μάθησης» και «Επεξεργασίας Φυσικής Γλώσσας». Μπορείτε επίσης να αναφέρετε το Ινστιτούτο Ευφυών Κυβερνητικών Συστημάτων του Εθνικού Ερευνητικού Πυρηνικού Πανεπιστημίου MEPhI, τη Σχολή Υπολογιστικών Μαθηματικών και Κυβερνητικής του Κρατικού Πανεπιστημίου της Μόσχας και το Τμήμα Ευφυών Συστημάτων του MIPT.

Εάν έχετε ήδη επίσημη εκπαίδευση, υπάρχει ένας αριθμός μαθημάτων διαθέσιμα σε διάφορες πλατφόρμες MOOC. Για παράδειγμα, το EDx.org προσφέρει μαθήματα τεχνητής νοημοσύνης από τη Microsoft και το Πανεπιστήμιο Κολούμπια, το τελευταίο από τα οποία προσφέρει ένα πρόγραμμα μικρομάστερ σε λογική τιμή. Θα ήθελα να σημειώσω ιδιαίτερα ότι συνήθως μπορείτε να αποκτήσετε τη γνώση δωρεάν· πληρώνετε μόνο για το πιστοποιητικό εάν είναι απαραίτητο για το βιογραφικό σας.

Εάν θέλετε να «βουτήξετε βαθιά» στο θέμα, ορισμένες εταιρείες στη Μόσχα προσφέρουν εβδομαδιαία εντατικά μαθήματα με πρακτικά μαθήματα και προσφέρουν ακόμη και εξοπλισμό για πειράματα (για παράδειγμα, newprolab.com), ωστόσο, η τιμή τέτοιων μαθημάτων ξεκινά από αρκετές δεκάδες χιλιάδες ρούβλια.

Μεταξύ των εταιρειών που αναπτύσσουν Τεχνητή Νοημοσύνη, πιθανότατα γνωρίζετε την Yandex και τη Sberbank, αλλά υπάρχουν πολλές άλλες διαφορετικών μεγεθών. Για παράδειγμα, αυτή την εβδομάδα το Υπουργείο Άμυνας άνοιξε το ERA Military Innovation Technopolis στην Ανάπα, ένα από τα θέματα του οποίου είναι η ανάπτυξη τεχνητής νοημοσύνης για στρατιωτικές ανάγκες.

Προώθηση υποβιβασμού

Πριν μελετήσουμε την τεχνητή νοημοσύνη, πρέπει να αποφασίσουμε ένα θεμελιώδες ερώτημα: να πάρουμε το κόκκινο χάπι ή το μπλε.
Το κόκκινο χάπι είναι να γίνεις προγραμματιστής και να βουτήξεις στον σκληρό κόσμο των στατιστικών μεθόδων, των αλγορίθμων και της συνεχούς κατανόησης του αγνώστου. Από την άλλη πλευρά, δεν χρειάζεται να βιαστείτε αμέσως στην «τρύπα του κουνελιού»: μπορείτε να γίνετε διαχειριστής και να δημιουργήσετε AI, για παράδειγμα, ως διαχειριστής έργου. Πρόκειται για δύο ριζικά διαφορετικούς δρόμους.

Το πρώτο είναι υπέροχο αν έχετε ήδη αποφασίσει ότι θα γράψετε αλγόριθμους τεχνητής νοημοσύνης. Τότε πρέπει να ξεκινήσετε με την πιο δημοφιλή κατεύθυνση σήμερα - τη μηχανική μάθηση. Για να γίνει αυτό, πρέπει να γνωρίζετε τις κλασικές στατιστικές μεθόδους ταξινόμησης, ομαδοποίησης και παλινδρόμησης. Θα είναι επίσης χρήσιμο να εξοικειωθείτε με τα κύρια μέτρα για την αξιολόγηση της ποιότητας μιας λύσης, τις ιδιότητές τους... και ό,τι έρχεται στο δρόμο σας.

Μόνο αφού η βάση έχει κατακτηθεί, αξίζει να μελετήσετε πιο εξειδικευμένες μεθόδους: δέντρα αποφάσεων και σύνολα από αυτά. Σε αυτό το στάδιο, θα πρέπει να βουτήξετε βαθιά στις βασικές μεθόδους κατασκευής και εκπαίδευσης μοντέλων - κρύβονται πίσω από τις ελάχιστα αξιοπρεπείς λέξεις που ζητιανεύουν, ενισχύουν, στοιβάζουν ή αναμειγνύονται.

Αξίζει επίσης να μάθετε για τις μεθόδους ελέγχου της επανεκπαίδευσης μοντέλων (άλλο «ing» - υπερπροσαρμογή).

Και τέλος, ένα πολύ επίπεδο Jedi - απόκτηση εξαιρετικά εξειδικευμένων γνώσεων. Για παράδειγμα, η βαθιά εκμάθηση θα απαιτήσει γνώση βασικών αρχιτεκτονικών και αλγορίθμων κατάβασης με κλίση. Εάν ενδιαφέρεστε για προβλήματα επεξεργασίας φυσικής γλώσσας, προτείνω να μελετήσετε τα επαναλαμβανόμενα νευρωνικά δίκτυα. Και οι μελλοντικοί δημιουργοί αλγορίθμων για την επεξεργασία εικόνων και βίντεο θα πρέπει να κοιτάξουν καλά τα συνελικτικά νευρωνικά δίκτυα.

Οι δύο τελευταίες δομές που αναφέρθηκαν είναι τα δομικά στοιχεία των δημοφιλών αρχιτεκτονικών σήμερα: τα αντίθετα δίκτυα (GANs), τα σχεσιακά δίκτυα και τα δίκτυα πλέγματος. Επομένως, θα είναι χρήσιμο να τα μελετήσετε, ακόμα κι αν δεν σκοπεύετε να διδάξετε στον υπολογιστή να βλέπει ή να ακούει.

Μια εντελώς διαφορετική προσέγγιση για τη μελέτη της τεχνητής νοημοσύνης - γνωστό και ως το «μπλε χάπι» - ξεκινά με το να βρείτε τον εαυτό σας. Η τεχνητή νοημοσύνη γεννά ένα σωρό εργασίες και ολόκληρα επαγγέλματα: από διαχειριστές έργων τεχνητής νοημοσύνης έως μηχανικούς δεδομένων ικανούς να προετοιμάσουν δεδομένα, να τα καθαρίσουν και να δημιουργήσουν επεκτάσιμα, φορτωμένα και ανεκτικά σε σφάλματα συστήματα.

Έτσι, με μια «διαχειριστική» προσέγγιση, θα πρέπει πρώτα να αξιολογήσετε τις ικανότητες και το υπόβαθρό σας και μόνο μετά να επιλέξετε πού και τι θα σπουδάσετε. Για παράδειγμα, ακόμα και χωρίς μαθηματικό μυαλό, μπορείτε να σχεδιάσετε διεπαφές AI και οπτικοποιήσεις για έξυπνους αλγόριθμους. Αλλά ετοιμαστείτε: σε 5 χρόνια, η τεχνητή νοημοσύνη θα αρχίσει να σας τρολάρει και να σας αποκαλεί «ανθρωπιστή».

Οι κύριες μέθοδοι ML υλοποιούνται με τη μορφή έτοιμων βιβλιοθηκών που είναι διαθέσιμες για σύνδεση διαφορετικές γλώσσες. Οι πιο δημοφιλείς γλώσσες στο ML σήμερα είναι: C++, Python και R.

Υπάρχουν πολλά μαθήματα τόσο στα ρωσικά όσο και στα αγγλικά, όπως τα μαθήματα Yandex School of Data Analysis, SkillFactory και OTUS. Αλλά προτού επενδύσετε χρόνο και χρήμα σε εξειδικευμένη εκπαίδευση, πιστεύω ότι αξίζει να «μπείτε στο θέμα»: παρακολουθήστε ανοιχτές διαλέξεις στο YouTube από συνέδρια του DataFest τα τελευταία χρόνια, παρακολουθήστε δωρεάν μαθήματα από το Coursera και το Habrahabr.